論文の概要: Mind the Pad -- CNNs can Develop Blind Spots
- arxiv url: http://arxiv.org/abs/2010.02178v1
- Date: Mon, 5 Oct 2020 17:24:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 19:44:32.806580
- Title: Mind the Pad -- CNNs can Develop Blind Spots
- Title(参考訳): Mind the Pad - CNNが盲点を開発できる
- Authors: Bilal Alsallakh and Narine Kokhlikyan and Vivek Miglani and Jun Yuan
and Orion Reblitz-Richardson
- Abstract要約: 畳み込みネットワークにおける特徴写像は空間バイアスの影響を受けやすいことを示す。
このバイアスの主な原因は、パディングメカニズムである。
本研究では,空間バイアスを緩和し,モデル精度を向上させる手法を提案する。
- 参考スコア(独自算出の注目度): 11.759564521969383
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We show how feature maps in convolutional networks are susceptible to spatial
bias. Due to a combination of architectural choices, the activation at certain
locations is systematically elevated or weakened. The major source of this bias
is the padding mechanism. Depending on several aspects of convolution
arithmetic, this mechanism can apply the padding unevenly, leading to
asymmetries in the learned weights. We demonstrate how such bias can be
detrimental to certain tasks such as small object detection: the activation is
suppressed if the stimulus lies in the impacted area, leading to blind spots
and misdetection. We propose solutions to mitigate spatial bias and demonstrate
how they can improve model accuracy.
- Abstract(参考訳): 畳み込みネットワークにおける特徴マップが空間バイアスにどのように感受性があるかを示す。
アーキテクチャの選択の組み合わせにより、特定の場所でのアクティベーションは体系的に上昇または弱まる。
このバイアスの主な原因は、パディングメカニズムである。
畳み込み算術のいくつかの側面により、この機構はパディングを均等に適用することができ、学習した重みの非対称性をもたらす。
このようなバイアスが、小さな物体検出のような特定のタスクにどのように影響するかを実証する: 刺激が影響を受けた領域にある場合、活性化は抑制され、盲点や誤検出につながる。
空間バイアスを軽減し,モデルの精度を向上させる方法を提案する。
関連論文リスト
- Dynamically Weighted Factor-Graph for Feature-based Geo-localization [77.27071369070079]
特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。
これにより、ランドマークの種類は両方のソースから観測できなければならない。
車両軌道推定のための動的重み付き因子グラフモデルを提案する。
論文 参考訳(メタデータ) (2023-11-13T12:44:14Z) - SC2GAN: Rethinking Entanglement by Self-correcting Correlated GAN Space [16.040942072859075]
ある属性の編集方向に従う遺伝子ネットワークは、他の属性と絡み合った変更をもたらす可能性がある。
本稿では,低密度の潜伏コードサンプルを元の潜伏空間に再プロジェクションすることで,SC$2$GANのアンタングル化を実現する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-10T14:42:32Z) - Towards Spatial Equilibrium Object Detection [88.9747319572368]
本稿では,現代物体検出器の空間的不平衡問題について考察する。
本稿では,ゾーンにおける検出性能の測定により,この問題の定量化を提案する。
これは、より一般化された測度を設計する動機となり、空間平衡精度と呼ばれる。
論文 参考訳(メタデータ) (2023-01-14T17:33:26Z) - Adaptive Self-supervision Algorithms for Physics-informed Neural
Networks [59.822151945132525]
物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。
これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。
モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
論文 参考訳(メタデータ) (2022-07-08T18:17:06Z) - Classification and Adversarial examples in an Overparameterized Linear
Model: A Signal Processing Perspective [10.515544361834241]
最先端のディープラーニング分類器は、無限の逆境摂動に非常に敏感である。
学習されたモデルは、分類が一般化するが回帰はしない中間体制の敵に感受性がある。
敵対的感受性にもかかわらず、これらの特徴による分類は、より一般的に研究されている「非依存的特徴」モデルよりも容易である。
論文 参考訳(メタデータ) (2021-09-27T17:35:42Z) - Towards Measuring Bias in Image Classification [61.802949761385]
畳み込みニューラルネットワーク(CNN)は、主要なコンピュータビジョンタスクの最先端技術となっている。
しかし、複雑な構造のため、その決定は産業世界の何らかの文脈での使用を制限するかを理解することは困難である。
帰属マップによるデータのバイアスを明らかにするための体系的なアプローチを提案する。
論文 参考訳(メタデータ) (2021-07-01T10:50:39Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳(メタデータ) (2021-06-20T08:20:56Z) - Ramifications of Approximate Posterior Inference for Bayesian Deep
Learning in Adversarial and Out-of-Distribution Settings [7.476901945542385]
ベイジアン深層学習モデルが従来のニューラルネットワークよりわずかに優れていることを示す。
予備的な調査は、初期化、アーキテクチャ、アクティベーション関数の選択によるバイアスの潜在的固有の役割を示している。
論文 参考訳(メタデータ) (2020-09-03T16:58:15Z) - Likelihood Landscapes: A Unifying Principle Behind Many Adversarial
Defenses [15.629921195632857]
本研究では,防御技術が地形形状に与える影響について検討する。
敵防衛技術のサブセットは、可能性の景観を平らにする同様の効果をもたらす。
論文 参考訳(メタデータ) (2020-08-25T22:51:51Z) - Hold me tight! Influence of discriminative features on deep network
boundaries [63.627760598441796]
本稿では,データセットの特徴と,サンプルから決定境界までの距離を関連付ける新しい視点を提案する。
これにより、トレーニングサンプルの位置を慎重に調整し、大規模ビジョンデータセットでトレーニングされたCNNの境界における誘発された変化を測定することができる。
論文 参考訳(メタデータ) (2020-02-15T09:29:36Z)
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。