論文の概要: On Interaction Between Augmentations and Corruptions in Natural Corruption Robustness

• arxiv url: http://arxiv.org/abs/2102.11273v1
• Date: Mon, 22 Feb 2021 18:58:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 08:21:43.023294
• Title: On Interaction Between Augmentations and Corruptions in Natural Corruption Robustness
• Title（参考訳）: 自然腐敗のロバスト性における増補と腐敗の相互作用について
• Authors: Eric Mintun, Alexander Kirillov, and Saining Xie
• Abstract要約: ImageNet-Cのパフォーマンスを大幅に改善するいくつかの新しいデータ拡張が提案されている。 我々は,類似度と性能の間に強い相関があることを示すために,最小サンプル距離(minimal sample distance)と呼ばれる拡張と腐敗の間の新たな尺度を開発した。 テストタイムの破損がImageNet-Cと知覚的に異なる場合, 破損の顕著な劣化を観察する。 以上の結果から,テストエラーは知覚的に類似した拡張をトレーニングすることで改善できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 78.6626755563546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Invariance to a broad array of image corruptions, such as warping, noise, or color shifts, is an important aspect of building robust models in computer vision. Recently, several new data augmentations have been proposed that significantly improve performance on ImageNet-C, a benchmark of such corruptions. However, there is still a lack of basic understanding on the relationship between data augmentations and test-time corruptions. To this end, we develop a feature space for image transforms, and then use a new measure in this space between augmentations and corruptions called the Minimal Sample Distance to demonstrate there is a strong correlation between similarity and performance. We then investigate recent data augmentations and observe a significant degradation in corruption robustness when the test-time corruptions are sampled to be perceptually dissimilar from ImageNet-C in this feature space. Our results suggest that test error can be improved by training on perceptually similar augmentations, and data augmentations may not generalize well beyond the existing benchmark. We hope our results and tools will allow for more robust progress towards improving robustness to image corruptions.
• Abstract（参考訳）: ワープ、ノイズ、カラーシフトなど、幅広い画像の破損に対する不変性は、コンピュータビジョンにおいて堅牢なモデルを構築する上で重要な側面である。 近年,imagenet-cのパフォーマンスを著しく向上させる新たなデータ拡張が提案されている。 しかし、データ拡張とテストタイムの汚職の関係に関する基本的な理解はいまだに欠けている。 この目的のために,画像変換のための特徴空間を開発し,類似度と性能の間に強い相関があることを示すために,拡張と破損の間の新たな尺度であるminimum sample distanceを用いた。 そこで本研究では,この特徴空間におけるImageNet-Cと知覚的に異質なテストタイムの破損をサンプリングした場合に,最近のデータ拡張を調査し,腐敗堅牢性の大幅な低下を観察する。 以上の結果から,テストエラーは知覚的に類似した拡張をトレーニングすることで改善できる可能性が示唆された。 結果とツールにより、画像の破損に対する堅牢性を向上させるためのより堅牢な進歩が期待できます。

関連論文リスト

• Assessing Visually-Continuous Corruption Robustness of Neural Networks Relative to Human Performance [6.254768374567899]
  ニューラルネットワーク(NN)は、ImageNet上の画像分類において、人間の精度を上回っている。 NNは画像の破損に対する堅牢性、すなわち腐敗の堅牢性に欠けることが多い。 本稿では,人間の知覚的品質に応じた広範囲かつ連続的な変化を評価するために,視覚的に連続的な汚職堅牢性(VCR)を提案する。
  論文  参考訳（メタデータ） (2024-02-29T18:00:27Z)
• Dynamic Batch Norm Statistics Update for Natural Robustness [5.366500153474747]
  本稿では,汚職検出モデルとBN統計更新からなる統合フレームワークを提案する。 CIFAR10-CとImageNet-Cの精度は8%, 4%向上した。
  論文  参考訳（メタデータ） (2023-10-31T17:20:30Z)
• Exploring the Robustness of Human Parsers Towards Common Corruptions [99.89886010550836]
  我々は,LIP-C,ATR-C,Pascal-Person-Part-Cという3つの汚職堅牢性ベンチマークを構築し,人間の解析モデルのリスク許容度を評価する。 データ強化戦略に触発されて、一般に破損した条件下で頑健性を高めるための新しい異種強化機構を提案する。
  論文  参考訳（メタデータ） (2023-09-02T13:32:14Z)
• Frequency-Based Vulnerability Analysis of Deep Learning Models against Image Corruptions [48.34142457385199]
  MUFIAは、モデルが失敗する可能性のある特定の種類の汚職を特定するために設計されたアルゴリズムである。 最先端のモデルでさえ、既知の一般的な汚職に対して堅牢であるように訓練されたモデルでさえ、MUFIAによって作られた低視認性ベースの汚職と戦っている。
  論文  参考訳（メタデータ） (2023-06-12T15:19:13Z)
• A Survey on the Robustness of Computer Vision Models against Common Corruptions [3.6486148851646063]
  コンピュータビジョンモデルは、センサーエラーや極端な撮像環境に起因する入力画像の変化に影響を受けやすい。 これらの破損は、現実のシナリオにデプロイする際のモデルの信頼性を著しく損なう可能性がある。 本稿では,コンピュータビジョンモデルの汎用汚職に対する堅牢性を改善する手法について概観する。
  論文  参考訳（メタデータ） (2023-05-10T10:19:31Z)
• PRIME: A Few Primitives Can Boost Robustness to Common Corruptions [60.119023683371736]
  ディープ・ネットワークは データの汚職を 一般化するのに苦労しています 本稿では,最大エントロピー画像変換の単純なファミリーからなる汎用データ拡張スキームPRIMEを提案する。 PRIMEは従来の汚損防止技術よりも優れており,そのシンプルさとプラグ・アンド・プレイ性により,他の手法と組み合わせて堅牢性をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-12-27T07:17:51Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)
• Revisiting Batch Normalization for Improving Corruption Robustness [85.20742045853738]
  モデルロバスト性を改善するために, モデルロバスト性を改善するために, バッチ正規化統計の修正を提案する。 モデルを再トレーニングすることなく、BN統計をいくつかの表現サンプル上で単純に推定し、適応させることで、大きなマージンによる腐敗の堅牢性を向上させることが判明した。
  論文  参考訳（メタデータ） (2020-10-07T19:56:47Z)
• A simple way to make neural networks robust against diverse image corruptions [29.225922892332342]
  加法ガウスノイズとスペククルノイズを用いた簡易だが適切に調整されたトレーニングが、予期せぬ汚職に対して驚くほどうまく一般化することを示す。 非相関な最悪の雑音に対する認識モデルの逆トレーニングは、さらなる性能向上につながる。
  論文  参考訳（メタデータ） (2020-01-16T20:10:25Z)

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。