Fugu-MT 論文翻訳(概要): Automatic Test Suite Generation for Key-points Detection DNNs Using Many-Objective Search

論文の概要: Automatic Test Suite Generation for Key-points Detection DNNs Using Many-Objective Search

arxiv url: http://arxiv.org/abs/2012.06511v1
Date: Fri, 11 Dec 2020 17:28:03 GMT
ステータス: 処理完了
システム内更新日: 2021-05-11 02:52:46.048932
Title: Automatic Test Suite Generation for Key-points Detection DNNs Using Many-Objective Search
Title（参考訳）: 多目的探索を用いたキーポイント検出DNNの自動テストスイート生成
Authors: Fitash Ul Haq, Donghwan Shin, Lionel C. Briand, Thomas Stifter, Jun Wang
Abstract要約: 本稿では,多目的探索を用いたKP-DNNのテストデータの自動生成手法を提案する。私たちのアプローチは、平均して、すべてのキーポイントの93%以上を予測するためにテストスイートを生成できることを示しています。比較として,ランダム検索に基づくテストデータ生成は,その41%に過ぎません。
参考スコア（独自算出の注目度）: 12.312494463326269
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatically detecting the positions of key-points (e.g., facial key-points or finger key-points) in an image is an essential problem in many applications, such as driver's gaze detection and drowsiness detection in automated driving systems. With the recent advances of Deep Neural Networks (DNNs), Key-Points detection DNNs (KP-DNNs) have been increasingly employed for that purpose. Nevertheless, KP-DNN testing and validation have remained a challenging problem because KP-DNNs predict many independent key-points at the same time -- where each individual key-point may be critical in the targeted application -- and images can vary a great deal according to many factors. In this paper, we present an approach to automatically generate test data for KP-DNNs using many-objective search. In our experiments, focused on facial key-points detection DNNs developed for an industrial automotive application, we show that our approach can generate test suites to severely mispredict, on average, more than 93% of all key-points. In comparison, random search-based test data generation can only severely mispredict 41% of them. Many of these mispredictions, however, are not avoidable and should not therefore be considered failures. We also empirically compare state-of-the-art, many-objective search algorithms and their variants, tailored for test suite generation. Furthermore, we investigate and demonstrate how to learn specific conditions, based on image characteristics (e.g., head posture and skin color), that lead to severe mispredictions. Such conditions serve as a basis for risk analysis or DNN retraining.
Abstract（参考訳）: 画像中のキーポイント(顔のキーポイントや指のキーポイントなど)の位置を自動的に検出することは、運転者の視線検出や自動運転システムにおける眠気検出など、多くのアプリケーションにおいて不可欠な問題である。近年のディープニューラルネットワーク(DNN)の発展に伴い、キーポイント検出DNN(KP-DNN)もその目的のために採用されている。 kp-dnnは複数の独立したキーポイントを同時に予測し、個々のキーポイントがターゲットアプリケーションで重要になる可能性があるため、多くの要因に応じて画像が異なるため、kp-dnnのテストと検証は依然として困難な問題となっている。本稿では,多目的探索を用いたKP-DNNのテストデータの自動生成手法を提案する。本実験では,産業用自動車用として開発された顔のキーポイント検出DNNに着目し,平均して93%以上のキーポイントを誤って予測するテストスイートを生成することができることを示した。比較として,ランダム検索に基づくテストデータ生成は,その41%に過ぎません。しかし、これらの誤った予測の多くは避けられず、そのため失敗と見なすべきではない。また、テストスイート生成に適した最先端多目的検索アルゴリズムとその変種を実証的に比較した。さらに,画像の特徴(頭部の姿勢や肌の色など)に基づいて,重篤な予測ミスにつながる特定の条件を学習する方法を調査し,実証する。このような状況は、リスク分析やDNNの再訓練の基礎となる。

関連論文リスト

Search-based DNN Testing and Retraining with GAN-enhanced Simulations [2.362412515574206]
安全クリティカルなシステムでは、ディープニューラルネットワーク(DNN)がコンピュータビジョンタスクの重要なコンポーネントになりつつある。本稿では,シミュレータを用いて入力空間を探索するメタヒューリスティック検索と,シミュレータが生成したデータをリアルな入力画像に変換するGAN(Generative Adversarial Networks)を組み合わせることを提案する。
論文参考訳（メタデータ） (2024-06-19T09:05:16Z)
Systematic Review: Anomaly Detection in Connected and Autonomous Vehicles [0.0]
この系統的なレビューは、連結車両と自律車両の異常検出に焦点を当てている。異常検出に最もよく使用される人工知能(AI)アルゴリズムは、LSTM、CNN、オートエンコーダなどのニューラルネットワークと1クラスのSVMである。自動車への異常検出の展開を調査し,道路上での性能評価を行うためには,今後の研究が必要である。
論文参考訳（メタデータ） (2024-05-04T18:31:38Z)
Utilizing Radiomic Feature Analysis For Automated MRI Keypoint Detection: Enhancing Graph Applications [2.8084568003406316]
グラフニューラルネットワーク(GNN)は、特定の画像処理アプリケーションにおいて、CNNやトランスフォーマーに代わる有望な選択肢を提供する。ひとつのアプローチは、重要なキーポイントを識別することで、イメージをノードに変換することだ。本研究は, 画像分類, セグメンテーション, 登録に限らず, GNN アプリケーションを様々なアプリケーションに拡張する段階を定めている。
論文参考訳（メタデータ） (2023-11-30T06:37:02Z)
Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文参考訳（メタデータ） (2023-03-25T08:56:21Z)
The #DNN-Verification Problem: Counting Unsafe Inputs for Deep Neural Networks [94.63547069706459]
#DNN-Verification問題は、DNNの入力構成の数を数えることによって安全性に反する結果となる。違反の正確な数を返す新しい手法を提案する。安全クリティカルなベンチマークのセットに関する実験結果を示す。
論文参考訳（メタデータ） (2023-01-17T18:32:01Z)
DiverGet: A Search-Based Software Testing Approach for Deep Neural Network Quantization Assessment [10.18462284491991]
量子化は、最も応用されたディープニューラルネットワーク(DNN)圧縮戦略の1つである。量子化評価のための検索ベースのテストフレームワークであるDiverGetを提案する。ハイパースペクトルリモートセンシング画像に適用した最先端DNNにおけるDiverGetの性能評価を行った。
論文参考訳（メタデータ） (2022-07-13T15:27:51Z)
Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文参考訳（メタデータ） (2021-12-03T14:23:05Z)
Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文参考訳（メタデータ） (2020-06-30T14:56:05Z)
NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文参考訳（メタデータ） (2020-06-11T17:39:07Z)
A cognitive based Intrusion detection system [0.0]
侵入検知は、コンピュータネットワークのセキュリティを提供する重要なメカニズムの1つである。本稿では,Deep Neural Network Ans Supportctor Machine Classifierに基づく新しい手法を提案する。提案手法は, 侵入検知に類似した手法により, より精度良く攻撃を予測できる。
論文参考訳（メタデータ） (2020-05-19T13:30:30Z)
Key Points Estimation and Point Instance Segmentation Approach for Lane Detection [65.37887088194022]
本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
論文参考訳（メタデータ） (2020-02-16T15:51:30Z)

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。