論文の概要: FOCUS: Familiar Objects in Common and Uncommon Settings

• arxiv url: http://arxiv.org/abs/2110.03804v1
• Date: Thu, 7 Oct 2021 21:39:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 05:22:48.230385
• Title: FOCUS: Familiar Objects in Common and Uncommon Settings
• Title（参考訳）: FOCUS: 共通および非共通設定における親しみやすいオブジェクト
• Authors: Priyatham Kattakinda, Soheil Feizi
• Abstract要約: FOCUS(Familiar Objects in Common and Uncommon Settings)は,深層画像分類器の一般化能力をストレステストするためのデータセットである。 現代の検索エンジンの力を生かして、共通かつ珍しい設定でオブジェクトを含むデータを意図的に収集する。 本稿では,データセット上での各種画像分類器の性能を詳細に分析し,異常な設定で画像の分類を行う際の性能低下を示す。
• 参考スコア（独自算出の注目度）: 40.332149464256496
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Standard training datasets for deep learning often contain objects in common settings (e.g., "a horse on grass" or "a ship in water") since they are usually collected by randomly scraping the web. Uncommon and rare settings (e.g., "a plane on water", "a car in snowy weather") are thus severely under-represented in the training data. This can lead to an undesirable bias in model predictions towards common settings and create a false sense of accuracy. In this paper, we introduce FOCUS (Familiar Objects in Common and Uncommon Settings), a dataset for stress-testing the generalization power of deep image classifiers. By leveraging the power of modern search engines, we deliberately gather data containing objects in common and uncommon settings in a wide range of locations, weather conditions, and time of day. We present a detailed analysis of the performance of various popular image classifiers on our dataset and demonstrate a clear drop in performance when classifying images in uncommon settings. By analyzing deep features of these models, we show that such errors can be due to the use of spurious features in model predictions. We believe that our dataset will aid researchers in understanding the inability of deep models to generalize well to uncommon settings and drive future work on improving their distributional robustness.
• Abstract（参考訳）: ディープラーニングのための標準的なトレーニングデータセットは、通常、ウェブをランダムにスクラップすることで収集されるため、共通の設定(例えば「草の上の馬」や「水中の船」など)のオブジェクトを含むことが多い。 そのため、トレーニングデータでは、まれで珍しい設定(例:「水上飛行機」「雪の天候の車」など)が著しく不足している。 これにより、共通の設定に対するモデル予測が望ましくないバイアスを生じさせ、誤った正確性を生み出す可能性がある。 本稿では,深部画像分類器の一般化力をストレステストするためのデータセットであるfocus (familiar objects in common and uncommon settings) を紹介する。 現代の検索エンジンの力を生かして、広範囲の場所、気象条件、日時において、一般的で珍しい設定のオブジェクトを含むデータを意図的に収集する。 本稿では,データセット上での各種画像分類器の性能を詳細に分析し,異常な設定で画像の分類を行う際の性能低下を示す。 これらのモデルの深い特徴を解析することにより、モデル予測における突発的特徴の利用により、そのような誤りが生じる可能性があることを示す。 私たちのデータセットは、ディープモデルが一般的でない設定にうまく一般化できないことを理解し、分散ロバスト性を改善するための将来の取り組みを促進するのに役立つと信じています。

関連論文リスト

• Predicting Long-horizon Futures by Conditioning on Geometry and Time [49.86180975196375]
  我々は,過去を前提とした将来のセンサ観測の課題を探求する。 マルチモーダリティを扱える画像拡散モデルの大規模事前学習を活用する。 我々は、屋内と屋外のシーンにまたがる多様なビデオのセットについて、ビデオ予測のためのベンチマークを作成する。
  論文  参考訳（メタデータ） (2024-04-17T16:56:31Z)
• Fighting Bias with Bias: Promoting Model Robustness by Amplifying Dataset Biases [5.997909991352044]
  最近の研究は、トレーニングセットからバイアスのあるサンプルをフィルタリングすることで、頑健でバイアスのないモデルを開発することを試みた。 このようなフィルタリングは、バイアスを克服するモデルの真の能力を曖昧にする可能性がある、と私たちは主張する。 バイアス増幅トレーニングセットとバイアス防止テストセットで定義された評価フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-05-30T10:10:42Z)
• Variation of Gender Biases in Visual Recognition Models Before and After Finetuning [29.55318393877906]
  本稿では,下流タスクにおける大規模視覚認識モデルの微調整前後のバイアスの変化を計測するフレームワークを提案する。 ImageNet-21kのようなデータセットでトレーニングされた教師付きモデルは、事前学習されたバイアスを保持する傾向にある。 また、大規模データセットに微調整されたモデルでは、新しいバイアス付きアソシエーションを導入する可能性が高くなることもわかりました。
  論文  参考訳（メタデータ） (2023-03-14T03:42:47Z)
• An Exploration of How Training Set Composition Bias in Machine Learning Affects Identifying Rare Objects [0.0]
  まれなクラスの例を誇張して無視されないようにするのが一般的である。 また、ソースタイプのバランスがほぼ等しくなるような制限されたデータでトレーニングする練習も頻繁に行われます。 ここでは、これらのプラクティスが、過剰な割り当てソースからレアクラスのモデルに偏りがあることを示します。
  論文  参考訳（メタデータ） (2022-07-07T10:26:55Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• Deep Visual Anomaly detection with Negative Learning [18.79849041106952]
  本稿では、異常検出の強化に負の学習概念を用いる、負の学習を伴う異常検出(ADNL)を提案する。 その考え方は、与えられた少数の異常例を用いて生成モデルの再構成能力を制限することである。 このようにして、ネットワークは通常のデータを再構築することを学ぶだけでなく、異常の可能性のある分布から遠く離れた正規分布を囲む。
  論文  参考訳（メタデータ） (2021-05-24T01:48:44Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)
• Hidden Biases in Unreliable News Detection Datasets [60.71991809782698]
  データ収集中の選択バイアスがデータセットの望ましくないアーティファクトにつながることを示す。 クリーンスプリットでテストされたすべてのモデルに対して,列車/テストソースの重なりが無く,精度が大幅に低下した(>10%)。 将来的なデータセット生成には、困難/バイアスプローブとしての単純なモデルと、クリーンな非重複サイトと日付分割を使用する将来のモデル開発が含まれることを提案する。
  論文  参考訳（メタデータ） (2021-04-20T17:16:41Z)
• Improving QA Generalization by Concurrent Modeling of Multiple Biases [61.597362592536896]
  既存のNLPデータセットには、モデルが容易に活用できる様々なバイアスが含まれており、対応する評価セット上で高いパフォーマンスを達成することができる。 本稿では、トレーニングデータにおける複数のバイアスの同時モデリングにより、ドメイン内およびドメイン外両方のデータセットのパフォーマンスを改善するための一般的なフレームワークを提案する。 我々は,様々な領域の学習データと異なる強度の複数のバイアスを持つ抽出的質問応答の枠組みを広く評価した。
  論文  参考訳（メタデータ） (2020-10-07T11:18:49Z)
• SVIRO: Synthetic Vehicle Interior Rear Seat Occupancy Dataset and Benchmark [11.101588888002045]
  SVIROは10台の異なる車両の旅客室におけるシーンの合成データセットである。 限られたバリエーションに基づいて学習した際の一般化能力と信頼性について、機械学習に基づくアプローチを解析する。
  論文  参考訳（メタデータ） (2020-01-10T14:44:23Z)

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。