論文の概要: Color and Edge-Aware Adversarial Image Perturbations

• arxiv url: http://arxiv.org/abs/2008.12454v2
• Date: Mon, 22 Mar 2021 19:25:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 01:48:39.695684
• Title: Color and Edge-Aware Adversarial Image Perturbations
• Title（参考訳）: 色とエッジを意識した逆画像摂動
• Authors: Robert Bassett, Mitchell Graves, Patrick Reilly
• Abstract要約: 対向摂動を構成するための2つの新しい手法を開発した。 Edge-Aware法は、画像の滑らかな領域で許容される摂動の大きさを減らす。 Color-Aware と Edge-Aware のメソッドも同時に実装できる。
• 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: Adversarial perturbation of images, in which a source image is deliberately modified with the intent of causing a classifier to misclassify the image, provides important insight into the robustness of image classifiers. In this work we develop two new methods for constructing adversarial perturbations, both of which are motivated by minimizing human ability to detect changes between the perturbed and source image. The first of these, the Edge-Aware method, reduces the magnitude of perturbations permitted in smooth regions of an image where changes are more easily detected. Our second method, the Color-Aware method, performs the perturbation in a color space which accurately captures human ability to distinguish differences in colors, thus reducing the perceived change. The Color-Aware and Edge-Aware methods can also be implemented simultaneously, resulting in image perturbations which account for both human color perception and sensitivity to changes in homogeneous regions. Because Edge-Aware and Color-Aware modifications exist for many image perturbations techniques, we also focus on computation to demonstrate their potential for use within more complex perturbation schemes. We empirically demonstrate that the Color-Aware and Edge-Aware perturbations we consider effectively cause misclassification, are less distinguishable to human perception, and are as easy to compute as the most efficient image perturbation techniques. Code and demo available at https://github.com/rbassett3/Color-and-Edge-Aware-Perturbations
• Abstract（参考訳）: 画像の分類器を誤分類させる意図で、ソース画像が意図的に修正される画像の逆摂動は、画像分類器のロバスト性に関する重要な洞察を提供する。 本研究では,摂動と音源画像の変動を検知する人間の能力を最小化することにより,逆向性摂動を構成する2つの新しい手法を開発した。 まず、エッジアウェア方式は、変化がより容易に検出される画像の滑らかな領域で許容される摂動の大きさを減らす。 第2の手法であるColor-Aware法は,色空間の摂動を正確に捉え,色の違いを識別し,認識される変化を減らす。 カラーウェアとエッジアウェアを同時に実装することができ、人間の色知覚と均質な領域の変化に対する感受性の両方を考慮に入れた画像の摂動が生じる。 エッジアウェアとカラーアウェアの変更は多くの画像摂動技術に存在しているため、より複雑な摂動スキームでの使用可能性を示す計算にも焦点を当てている。 我々は,色認識とエッジ認識の摂動が効果的に誤分類を引き起こし,人間の知覚と区別しにくく,最も効率的な画像摂動技術と同じくらい計算が容易であることを示す。 コードとデモはhttps://github.com/rbassett3/color-and-edge-aware-perturbationsで利用可能

関連論文リスト

• Underwater Organism Color Enhancement via Color Code Decomposition, Adaptation and Interpolation [24.96772289126242]
  そこで本稿では,範囲制御可能なカラー出力を提供しながら,水中画像を強化するTextitColorCodeという手法を提案する。 我々のアプローチは、教師付きトレーニングを通じて水中画像を基準強調画像に復元し、色と内容コードに分解することである。 カラーコードはガウス分布に従うように明示的に制約され、効率的なサンプリングと推論が可能である。
  論文  参考訳（メタデータ） (2024-09-29T12:24:34Z)
• Distractors-Immune Representation Learning with Cross-modal Contrastive Regularization for Change Captioning [71.14084801851381]
  変更キャプションは、類似した画像間のセマンティックな変化を簡潔に記述することを目的としている。 既存のほとんどの手法は、それらの違いを直接キャプチャし、エラーを起こしやすい特徴を得るリスクを負う。 本稿では,2つの画像表現の対応するチャネルを関連づけるイントラクタ免疫表現学習ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T13:00:33Z)
• FDCE-Net: Underwater Image Enhancement with Embedding Frequency and Dual Color Encoder [49.79611204954311]
  水中画像は、低明度、色の変化、ぼやけた詳細、吸光光によるノイズ、水や懸濁粒子による散乱などの様々な問題に悩まされることが多い。 従来の水中画像強調法(UIE)は主に空間領域の強調に焦点を当てており、画像固有の周波数領域情報を無視している。
  論文  参考訳（メタデータ） (2024-04-27T15:16:34Z)
• Incorporating Ensemble and Transfer Learning For An End-To-End Auto-Colorized Image Detection Model [0.0]
  本稿では,移動学習とアンサンブル学習の利点を組み合わせた新たな手法を提案する。 提案したモデルは、94.55%から99.13%の精度で有望な結果を示す。
  論文  参考訳（メタデータ） (2023-09-25T19:22:57Z)
• DDColor: Towards Photo-Realistic Image Colorization via Dual Decoders [19.560271615736212]
  DDColorは画像カラー化のためのデュアルデコーダを備えたエンドツーエンドの手法である。 我々のアプローチには、ピクセルデコーダとクエリベースのカラーデコーダが含まれる。 我々の2つのデコーダは、色とマルチスケールの意味表現の相関を確立するために協力する。
  論文  参考訳（メタデータ） (2022-12-22T11:17:57Z)
• PalGAN: Image Colorization with Palette Generative Adversarial Networks [51.59276436217957]
  そこで本研究では,パレット推定とカラーアテンションを統合した新しいGANベースのカラー化手法PalGANを提案する。 PalGANは、定量的評価と視覚比較において最先端の成果を上げ、顕著な多様性、コントラスト、およびエッジ保存の外観を提供する。
  論文  参考訳（メタデータ） (2022-10-20T12:28:31Z)
• Detecting Recolored Image by Spatial Correlation [60.08643417333974]
  画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
  論文  参考訳（メタデータ） (2022-04-23T01:54:06Z)
• Deep Saliency Prior for Reducing Visual Distraction [12.28561668097479]
  画像の歪みを軽減するための強力な編集効果を多数生成する。 結果として生じる効果は、人間の視覚システムに関する認知研究と一致している。 本研究は,様々な自然画像に対して,オリジナル画像と編集結果との視線変化を評価し,評価するための知覚的研究を行う。
  論文  参考訳（メタデータ） (2021-09-05T03:19:21Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)
• Context-Aware Image Denoising with Auto-Threshold Canny Edge Detection to Suppress Adversarial Perturbation [0.8021197489470756]
  本論文では,新しいコンテキスト認識画像デノイジングアルゴリズムを提案する。 適応画像スムージング技術とカラーリダクション技術を組み合わせて、逆画像からの摂動を除去します。 提案手法は, 敵の攻撃による敵の摂動を低減し, 深部畳み込みニューラルネットワークモデルの堅牢性を向上することを示す。
  論文  参考訳（メタデータ） (2021-01-14T19:15:28Z)
• Semantic-driven Colorization [78.88814849391352]
  最近の着色は、白黒画像の着色を学習しながら意味情報を暗黙的に予測する。 そこで本研究では,まず,人間の動作をシミュレートして,画像の理解を学習し,色づけする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:30Z)

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。