論文の概要: Benchmarking Robustness of Deep Learning Classifiers Using Two-Factor Perturbation

• arxiv url: http://arxiv.org/abs/2103.03102v5
• Date: Mon, 26 Jun 2023 17:50:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-28 18:25:51.467019
• Title: Benchmarking Robustness of Deep Learning Classifiers Using Two-Factor Perturbation
• Title（参考訳）: 2要素摂動を用いたディープラーニング分類器のロバスト性評価
• Authors: Wei Dai, Daniel Berleant
• Abstract要約: 本稿では,Deep Learning (DL) 分類器の堅牢性を評価するための基礎的な研究を付け加える。 また、最小精度、最大精度、平均精度、変動係数を含む、新しい4つの四分法統計可視化ツールを導入する。 ソースコード、関連するイメージセット、予備データはすべてGitHubのWebサイトで共有され、将来の学術研究および産業プロジェクトをサポートする。
• 参考スコア（独自算出の注目度）: 4.016928101928335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper adds to the fundamental body of work on benchmarking the robustness of deep learning (DL) classifiers. We innovate a new benchmarking methodology to evaluate robustness of DL classifiers. Also, we introduce a new four-quadrant statistical visualization tool, including minimum accuracy, maximum accuracy, mean accuracy, and coefficient of variation, for benchmarking robustness of DL classifiers. To measure robust DL classifiers, we created a comprehensive 69 benchmarking image set, including a clean set, sets with single factor perturbations, and sets with two-factor perturbation conditions. After collecting experimental results, we first report that using two-factor perturbed images improves both robustness and accuracy of DL classifiers. The two-factor perturbation includes (1) two digital perturbations (salt & pepper noise and Gaussian noise) applied in both sequences, and (2) one digital perturbation (salt & pepper noise) and a geometric perturbation (rotation) applied in both sequences. All source codes, related image sets, and preliminary data, figures are shared on a GitHub website to support future academic research and industry projects. The web resources locate at https://github.com/caperock/robustai
• Abstract（参考訳）: 本稿では,Deep Learning (DL) 分類器の堅牢性を評価するための基礎的な研究を付け加える。 DL分類器の堅牢性を評価するための新しいベンチマーク手法を考案する。 また,dl分類器のロバスト性ベンチマークを行うために,最小精度,最大精度,平均精度,変動係数を含む,新しい4次元統計可視化ツールを提案する。 頑健なDL分類器を測定するため,クリーンなセット,単一因子摂動のセット,2要素摂動条件のセットを含む総合的な69のベンチマーク画像セットを構築した。 実験結果から, 2要素摂動画像を用いることで, dl分類器のロバスト性と精度が向上することを確認した。 この2要素摂動は、(1)両系列に適用される2つのデジタル摂動(サルト・ペッパーノイズとガウスノイズ)と(2)両系列に適用される1つのデジタル摂動(サルト・ペッパーノイズ)と幾何摂動(回転)とを含む。 ソースコード、関連するイメージセット、予備データはすべてgithubのwebサイトで共有され、将来の学術研究や産業プロジェクトをサポートする。 webリソースはhttps://github.com/caperock/robustaiにある

関連論文リスト

• Few-shot Algorithm Assurance [11.924406021826606]
  深層学習モデルは 画像の歪みに弱い 画像歪み下のモデル保証は分類タスクである。 条件付きレベルセット推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-28T21:11:55Z)
• Few-shot Image Classification based on Gradual Machine Learning [6.935034849731568]
  少ないショット画像分類は、ラベル付きサンプルのみを使用してラベル付きイメージを正確に分類することを目的としている。 段階的機械学習(GML)の非i.dパラダイムに基づく新しいアプローチを提案する。 提案手法は精度でSOTAの性能を1-5%向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-07-28T12:30:41Z)
• Ensemble Classifier Design Tuned to Dataset Characteristics for Network Intrusion Detection [0.0]
  データセットのクラスオーバーラップ問題に対処する2つの新しいアルゴリズムが提案されている。 提案手法は二進分類と多進分類の両方で評価される。
  論文  参考訳（メタデータ） (2022-05-08T21:06:42Z)
• Zero-Shot Logit Adjustment [89.68803484284408]
  Generalized Zero-Shot Learning (GZSL) は意味記述に基づく学習技術である。 本稿では,分類器の改良を無視しつつ,ジェネレータの効果を高める新しい世代ベース手法を提案する。 実験により,提案手法が基本生成器と組み合わせた場合の最先端化を実現し,様々なゼロショット学習フレームワークを改良できることが実証された。
  論文  参考訳（メタデータ） (2022-04-25T17:54:55Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Benchmarking Robustness of Deep Learning Classifiers Using Two-Factor Perturbation [4.016928101928335]
  本稿では,欠陥画像上のDL分類器のロバスト性を評価するための基礎的な研究を付け加える。 クリーンなセット,単一因子摂動のセット,2要素摂動条件のセットを含む,総合的な69のベンチマーク画像セットを作成しました。
  論文  参考訳（メタデータ） (2022-03-02T03:53:21Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)
• Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
  最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。 その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
  論文  参考訳（メタデータ） (2020-06-07T06:57:43Z)

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。