論文の概要: Using the Overlapping Score to Improve Corruption Benchmarks

• arxiv url: http://arxiv.org/abs/2105.12357v1
• Date: Wed, 26 May 2021 06:42:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-27 13:39:11.849289
• Title: Using the Overlapping Score to Improve Corruption Benchmarks
• Title（参考訳）: オーバーラップスコアを使って崩壊ベンチマークを改善する
• Authors: Alfred Laugros and Alice Caplier and Matthieu Ospici
• Abstract要約: 本稿では、汚職ベンチマークの欠陥を明らかにするために、汚職重複スコアと呼ばれる指標を提案する。 汚職間の重複を考慮に入れれば、既存のベンチマークを改善したり、より良いベンチマークを構築するのに役立ちます。
• 参考スコア（独自算出の注目度）: 6.445605125467574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural Networks are sensitive to various corruptions that usually occur in real-world applications such as blurs, noises, low-lighting conditions, etc. To estimate the robustness of neural networks to these common corruptions, we generally use a group of modeled corruptions gathered into a benchmark. Unfortunately, no objective criterion exists to determine whether a benchmark is representative of a large diversity of independent corruptions. In this paper, we propose a metric called corruption overlapping score, which can be used to reveal flaws in corruption benchmarks. Two corruptions overlap when the robustnesses of neural networks to these corruptions are correlated. We argue that taking into account overlappings between corruptions can help to improve existing benchmarks or build better ones.
• Abstract（参考訳）: ニューラルネットワークは通常、ブラーやノイズ、低照度条件など、現実世界のアプリケーションで発生するさまざまな汚職に敏感である。 これらの一般的な腐敗に対するニューラルネットワークのロバスト性を評価するために、ベンチマークに集まったモデリングされた腐敗のグループを使うのが一般的です。 残念ながら、ベンチマークが独立した汚職の多様さを表すかどうかを決定する客観的な基準は存在しない。 本稿では,汚職ベンチマークの欠陥を明らかにするために使用できる,汚職重なりスコアと呼ばれる指標を提案する。 これらの腐敗とニューラルネットワークのロバスト性が相関すると、2つの腐敗が重なる。 汚職間の重複を考慮して、既存のベンチマークを改善したり、より良いベンチマークを構築するのに役立ちます。

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)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Corruptions of Supervised Learning Problems: Typology and Mitigations [11.294508617469905]
  我々は情報理論の観点から汚職の一般的な理論を発展させる。 ここでは確率分布の変化に注目します。 この研究は、ラベルと属性の両方に対する共同や依存的な汚職から生じる複雑さに光を当てている。
  論文  参考訳（メタデータ） (2023-07-17T16:57:01Z)
• 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)
• Investigating the Corruption Robustness of Image Classifiers with Random Lp-norm Corruptions [3.1337872355726084]
  本研究では,画像分類器のトレーニングデータとテストデータを強化するために,ランダムなp-ノルム汚職を用いることを検討した。 p-ノルムの汚職の組み合わせによるトレーニングデータの増大は、最先端のデータ増補スキームにおいても、汚職の堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-09T12:45:43Z)
• Soft Diffusion: Score Matching for General Corruptions [84.26037497404195]
  我々は,任意の線形汚職過程のスコア関数を確実に学習するSoft Score Matchingと呼ばれる新しい目的を提案する。 本研究の目的は, 汚職過程の家族に対して, 適正な規則性条件下での確率の勾配を学習することである。 提案手法はCelebA-64上でのFIDスコアを1.85ドルで達成し,従来の線形拡散モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-12T17:45:03Z)
• Benchmarking the Robustness of Deep Neural Networks to Common Corruptions in Digital Pathology [11.398235052118608]
  このベンチマークは、腐敗した病理画像に対して、ディープニューラルネットワークがどのように機能するかを評価するために確立されている。 2つの分類と1つのランキングのメトリクスは、汚職下での予測と信頼性のパフォーマンスを評価するために設計されている。
  論文  参考訳（メタデータ） (2022-06-30T01:53:46Z)
• Nearly Optimal Algorithms for Linear Contextual Bandits with Adversarial Corruptions [98.75618795470524]
  本稿では,敵対的腐敗の存在下での線形文脈的包帯問題について検討する。 我々は不確実性に直面した楽観主義の原理に基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-13T17:58:58Z)
• Linear Contextual Bandits with Adversarial Corruptions [91.38793800392108]
  本稿では,敵対的腐敗の存在下での線形文脈的包帯問題について検討する。 逆汚染レベルに適応する分散認識アルゴリズムをC$で提案する。
  論文  参考訳（メタデータ） (2021-10-25T02:53:24Z)
• Using Synthetic Corruptions to Measure Robustness to Natural Distribution Shifts [6.445605125467574]
  本研究では, 実世界の分布変化に対するロバストネスとより相関したロバストネス推定を行う合成汚濁ベンチマークを構築する手法を提案する。 提案手法を適用し,画像分類器の堅牢性を予測するために,ImageNet-Syn2Natと呼ばれる新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-07-26T09:20:49Z)
• On Interaction Between Augmentations and Corruptions in Natural Corruption Robustness [78.6626755563546]
  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。
  論文  参考訳（メタデータ） (2021-02-22T18:58:39Z)

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。