論文の概要: Sparsifying and Down-scaling Networks to Increase Robustness to Distortions

• arxiv url: http://arxiv.org/abs/2006.11389v1
• Date: Mon, 8 Jun 2020 03:58:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 02:08:51.556932
• Title: Sparsifying and Down-scaling Networks to Increase Robustness to Distortions
• Title（参考訳）: 歪みに対するロバスト性を高めるスポーリングおよびダウンスケーリングネットワーク
• Authors: Sergey Tarasenko
• Abstract要約: Streaming Network (STNet) は歪んだ画像の堅牢な分類が可能な新しいアーキテクチャである。 近年の結果、STNetは20種類のノイズや歪みに対して堅牢であることが証明されている。 新しいSTNetは、元のネットワークと比較して高いか等しい精度を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It has been shown that perfectly trained networks exhibit drastic reduction in performance when presented with distorted images. Streaming Network (STNet) is a novel architecture capable of robust classification of the distorted images while been trained on undistorted images. The distortion robustness is enabled by means of sparse input and isolated parallel streams with decoupled weights. Recent results prove STNet is robust to 20 types of noise and distortions. STNet exhibits state-of-the-art performance for classification of low light images, while being of much smaller size when other networks. In this paper, we construct STNets by using scaled versions (number of filters in each layer is reduced by factor of n) of popular networks like VGG16, ResNet50 and MobileNetV2 as parallel streams. These new STNets are tested on several datasets. Our results indicate that more efficient (less FLOPS), new STNets exhibit higher or equal accuracy in comparison with original networks. Considering a diversity of datasets and networks used for tests, we conclude that a new type of STNets is an efficient tool for robust classification of distorted images.
• Abstract（参考訳）: 完全に訓練されたネットワークは歪んだ画像を表示すると性能が劇的に低下することが示されている。 Streaming Network(STNet)は、歪んだ画像の堅牢な分類が可能な新しいアーキテクチャである。 この歪み頑健性は、分離重み付きスパース入力および孤立並列ストリームにより実現される。 近年の結果、STNetは20種類のノイズや歪みに対して堅牢であることが証明されている。 STNetは、低照度画像の分類に最先端の性能を示し、他のネットワークではずっと小さいサイズである。 本稿では,VGG16,ResNet50,MobileNetV2などの人気ネットワークを並列ストリームとして,スケールしたバージョン(各層におけるフィルタ数はn倍)を用いてSTNetを構築する。 これらの新しいSTNetは、いくつかのデータセットでテストされる。 以上の結果から,新しいsstnetは従来のネットワークに比べて高い,あるいは同等の精度を示すことがわかった。 テストに使用されるデータセットとネットワークの多様性を考慮すると、新しいタイプのstnetは歪んだ画像のロバストな分類のための効率的なツールであると結論づける。

関連論文リスト

• ImageNet-D: Benchmarking Neural Network Robustness on Diffusion Synthetic Object [78.58860252442045]
  我々は、深層モデルの堅牢性をベンチマークするハードイメージのためのデータソースとして、生成モデルを紹介した。 このベンチマークを ImageNet-D と呼ぶ以前の作業よりも、背景、テクスチャ、材料が多様化したイメージを生成することができます。 我々の研究は、拡散モデルが視覚モデルをテストするのに効果的な情報源となることを示唆している。
  論文  参考訳（メタデータ） (2024-03-27T17:23:39Z)
• Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
  本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。 我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-23T18:37:22Z)
• Inverse Image Frequency for Long-tailed Image Recognition [59.40098825416675]
  Inverse Image Frequency (IIF) と呼ばれる新しいデバイアス法を提案する。 IIFは畳み込みニューラルネットワークの分類層におけるロジットの乗法的マージン調整変換である。 我々の実験では、IIFは長い尾のベンチマークにおいて、最先端の技術を超越していることが示されている。
  論文  参考訳（メタデータ） (2022-09-11T13:31:43Z)
• Impact of Scaled Image on Robustness of Deep Neural Networks [0.0]
  生画像のスケーリングはアウト・オブ・ディストリビューションデータを生成するため、ネットワークを騙すための敵攻撃の可能性がある。 本研究では,ImageNet Challengeデータセットのサブセットを複数でスケーリングすることで,Scaling-DistortionデータセットのImageNet-CSを提案する。
  論文  参考訳（メタデータ） (2022-09-02T08:06:58Z)
• Connection Reduction Is All You Need [0.10878040851637998]
  実証的な研究によると、畳み込みレイヤの積み重ねだけではネットワークのトレーニングが良くならない。 レイヤを接続する2つの新しいアルゴリズムを提案する。 ShortNet1は、Baselineよりも5%低いテストエラー率と25%速い推論時間を持っている。
  論文  参考訳（メタデータ） (2022-08-02T13:00:35Z)
• Frequency Disentangled Residual Network [11.388328269522006]
  ResNet(Residual Networks)は様々なコンピュータビジョンや画像処理アプリケーションに利用されている。 残留ブロックは、トレーニング可能なパラメータを持つ少数の畳み込み層で構成され、過度に適合する。 これらの問題に対処するために、周波数不整合残差ネットワーク(FDResNet)を提案する。
  論文  参考訳（メタデータ） (2021-09-26T10:52:18Z)
• DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and Transformers [105.74546828182834]
  本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。 我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
  論文  参考訳（メタデータ） (2021-09-21T09:57:21Z)
• Understanding Robustness of Transformers for Image Classification [34.51672491103555]
  Vision Transformer (ViT)は画像分類のためにResNetsを抜いた。 Transformerアーキテクチャの詳細は、これらのネットワークが堅牢かどうかを疑問に思っている。 ViTモデルは、少なくともResNetが広範囲の摂動に匹敵するほど堅牢であることがわかった。
  論文  参考訳（メタデータ） (2021-03-26T16:47:55Z)
• Scalable Visual Transformers with Hierarchical Pooling [61.05787583247392]
  本稿では,視覚的トークンを徐々にプールしてシーケンス長を縮小する階層的ビジュアルトランスフォーマ(hvt)を提案する。 計算の複雑さを増すことなく、深さ/幅/解像度/パッチサイズの寸法をスケールすることで、大きなメリットをもたらします。 当社のHVTはImageNetとCIFAR-100データセットの競合ベースラインを上回っています。
  論文  参考訳（メタデータ） (2021-03-19T03:55:58Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)
• Applications of the Streaming Networks [0.2538209532048866]
  ストリームネットワーク (STnets) は, 頑健なノイズ破損画像分類のメカニズムとして導入されている。 本稿では,STnetがノイズで劣化した画像の高精度な分類が可能であることを実証する。 また、Hybrid STnetと呼ばれる新しいタイプのSTnetも導入する。
  論文  参考訳（メタデータ） (2020-03-27T08:13:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。