論文の概要: DeformRS: Certifying Input Deformations with Randomized Smoothing

• arxiv url: http://arxiv.org/abs/2107.00996v1
• Date: Fri, 2 Jul 2021 12:20:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-05 13:00:32.927785
• Title: DeformRS: Certifying Input Deformations with Randomized Smoothing
• Title（参考訳）: DeformRS: ランダムな平滑化による入力変形の認証
• Authors: Motasem Alfarra, Adel Bibi, Naeemullah Khan, Philip H. S. Torr, and Bernard Ghanem
• Abstract要約: 深層ニューラルネットワークは、画素変位のベクトル場の形での入力変形に対して脆弱である。 一般ベクトル場とパラメータ化変形の両方に対するランダムな平滑化設定における認証を再構成する。 我々の新しい定式化は、大きな入力データセット上の大きなネットワークにスケールする。
• 参考スコア（独自算出の注目度）: 121.88209420825582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks are vulnerable to input deformations in the form of vector fields of pixel displacements and to other parameterized geometric deformations e.g. translations, rotations, etc. Current input deformation certification methods either (i) do not scale to deep networks on large input datasets, or (ii) can only certify a specific class of deformations, e.g. only rotations. We reformulate certification in randomized smoothing setting for both general vector field and parameterized deformations and propose DeformRS-VF and DeformRS-Par, respectively. Our new formulation scales to large networks on large input datasets. For instance, DeformRS-Par certifies rich deformations, covering translations, rotations, scaling, affine deformations, and other visually aligned deformations such as ones parameterized by Discrete-Cosine-Transform basis. Extensive experiments on MNIST, CIFAR10 and ImageNet show that DeformRS-Par outperforms existing state-of-the-art in certified accuracy, e.g. improved certified accuracy of 6% against perturbed rotations in the set [-10,10] degrees on ImageNet.
• Abstract（参考訳）: 深層ニューラルネットワークは、画素変位のベクトル場の形での入力変形や、他のパラメータ化された幾何学的変形に弱い。 翻訳、回転など 現在の入力変形認証法は、(i)大きな入力データセット上のディープネットワークにスケールしないか、(ii)特定の種類の変形を認証できないかのいずれかである。 回転だけだ 一般ベクトル場およびパラメータ化変形のランダムな平滑化設定における認証を再構成し,DeformRS-VFとDeformRS-Parを提案する。 我々の新しい定式化は、大きな入力データセット上の大きなネットワークにスケールする。 例えば、DeformRS-Parは豊富な変形、翻訳、回転、スケーリング、アフィン変形、その他の視覚的に整列した変形、例えば離散コサイン変換によってパラメータ化された変形を認証する。 MNIST、CIFAR10、ImageNetの大規模な実験により、DeformRS-Parは、認証された精度で既存の最先端技術よりも優れていることが示された。 imagenetの[10,10]度での摂動回転に対する認証精度が6%向上した。

関連論文リスト

• Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
  Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。 BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。 本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
  論文  参考訳（メタデータ） (2023-11-10T14:04:49Z)
• RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
  我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。 我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。 実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-04T15:12:57Z)
• 3DeformRS: Certifying Spatial Deformations on Point Clouds [61.62846778591536]
  3Dコンピュータビジョンモデルは、自律運転や外科ロボティクスといったセキュリティクリティカルな用途で一般的に使われている。 これらのモデルの実世界の変形に対する堅牢性に対する懸念は、実用的かつ確実に解決されなければならない。 本稿では,実世界の変形に対して,点雲深部ニューラルネットワーク(DNN)のロバスト性を検証する手法である3DeformRSを提案する。
  論文  参考訳（メタデータ） (2022-04-12T10:24:31Z)
• Extracting Deformation-Aware Local Features by Learning to Deform [3.364554138758565]
  非剛性変形に対して頑健な静止画像から特徴量を計算するための新しい手法を提案する。 我々は、シミュレーション環境でオブジェクトに非剛性変形を適用することにより、モデルアーキテクチャをエンドツーエンドにトレーニングする。 実験により, この手法は, 最新の手工芸画像, 学習ベース画像, およびRGB-Dディスクリプタを異なるデータセットで比較した。
  論文  参考訳（メタデータ） (2021-11-20T15:46:33Z)
• A Learning Framework for Diffeomorphic Image Registration based on Quasi-conformal Geometry [1.2891210250935146]
  本稿では,非教師付き学習フレームワークである準コンフォーマル登録ネットワーク(QCRegNet)を提案する。 QCRegNetは推定器ネットワークとベルトラミソルバネットワーク(BSNet)から構成される その結果、登録精度は最先端の手法に匹敵し、微分同相性はかなり保証されていることがわかった。
  論文  参考訳（メタデータ） (2021-10-20T14:23:24Z)
• Augmenting Implicit Neural Shape Representations with Explicit Deformation Fields [95.39603371087921]
  入射神経表現は、ニューラルネットワークのゼロレベルセットとして形状収集を学ぶための最近のアプローチである。 我々は,暗黙的ニューラル表現に対する変形認識正規化を提唱し,遅延コードの変化として可塑性変形を生成することを目的とした。
  論文  参考訳（メタデータ） (2021-08-19T22:07:08Z)
• Learnable Gabor modulated complex-valued networks for orientation robustness [4.024850952459758]
  学習可能な Gabor Convolutional Networks (LGCNs) はパラメータ効率が良く、モデルの複雑さが増す。 複雑な値を持つ畳み込み重みの束縛性について,学習したガボルフィルタを用いて検討し,配向変換を実現する。
  論文  参考訳（メタデータ） (2020-11-23T21:22:27Z)
• Learning to Learn Parameterized Classification Networks for Scalable Input Images [76.44375136492827]
  畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。 我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。 さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
  論文  参考訳（メタデータ） (2020-07-13T04:27:25Z)

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。