論文の概要: Stereoscopic Universal Perturbations across Different Architectures and Datasets

• arxiv url: http://arxiv.org/abs/2112.06116v1
• Date: Sun, 12 Dec 2021 02:11:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 15:15:35.893646
• Title: Stereoscopic Universal Perturbations across Different Architectures and Datasets
• Title（参考訳）: 異なるアーキテクチャとデータセットにまたがる立体的普遍摂動
• Authors: Zachary Berger and Parth Agrawal and Tian Yu Liu and Stefano Soatto and Alex Wong
• Abstract要約: 本研究では,画像の逆摂動が不均一性推定タスクの深部ステレオマッチングネットワークに与える影響について検討する。 本稿では,データセット内の任意のステレオ画像対に追加されると,ステレオネットワークを騙すことのできる,単一の摂動セットを構築する方法を提案する。 我々の摂動は、最先端のステレオネットワークのD1エラーを1%から87%に増やすことができる。
• 参考スコア（独自算出の注目度）: 60.021985610201156
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We study the effect of adversarial perturbations of images on deep stereo matching networks for the disparity estimation task. We present a method to craft a single set of perturbations that, when added to any stereo image pair in a dataset, can fool a stereo network to significantly alter the perceived scene geometry. Our perturbation images are "universal" in that they not only corrupt estimates of the network on the dataset they are optimized for, but also generalize to stereo networks with different architectures across different datasets. We evaluate our approach on multiple public benchmark datasets and show that our perturbations can increase D1-error (akin to fooling rate) of state-of-the-art stereo networks from 1% to as much as 87%. We investigate the effect of perturbations on the estimated scene geometry and identify object classes that are most vulnerable. Our analysis on the activations of registered points between left and right images led us to find that certain architectural components, i.e. deformable convolution and explicit matching, can increase robustness against adversaries. We demonstrate that by simply designing networks with such components, one can reduce the effect of adversaries by up to 60.5%, which rivals the robustness of networks fine-tuned with costly adversarial data augmentation.
• Abstract（参考訳）: 本研究では,画像の逆摂動が不均一性推定タスクの深部ステレオマッチングネットワークに与える影響について検討する。 本稿では,データセット内の任意のステレオ画像対に追加されると,ステレオネットワークを騙して認識されたシーン形状を著しく変化させる,単一の摂動セットを構築する方法を提案する。 我々の摂動画像は、最適化されたデータセット上のネットワークの推定を損なうだけでなく、異なるデータセットにまたがる異なるアーキテクチャを持つステレオネットワークに一般化するという点で「普遍的」である。 我々は、複数の公開ベンチマークデータセットに対するアプローチを評価し、我々の摂動が最先端ステレオネットワークのD1エラーを1%から87%に増加させることができることを示した。 推定シーン形状に対する摂動の影響について検討し,最も脆弱な物体群を同定する。 左画像と右画像の間の登録点のアクティベートに関する分析により、変形可能な畳み込みや明示的なマッチングといった特定のアーキテクチャ要素が、敵に対する堅牢性を高めることが判明した。 このようなコンポーネントでネットワークを設計することで、コストのかかるデータ拡張を伴うネットワークの堅牢性に対抗して、敵の効果を最大60.5%削減できることを示す。

関連論文リスト

• Left-right Discrepancy for Adversarial Attack on Stereo Networks [8.420135490466851]
  本稿では,左画像特徴と右画像特徴との差を最大化するために,摂動雑音を発生させる新しい対向攻撃手法を提案する。 実験により,ステレオニューラルネットワークにおいて予測誤差を増大させる手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-14T02:30:38Z)
• ZoomNeXt: A Unified Collaborative Pyramid Network for Camouflaged Object Detection [70.11264880907652]
  最近のオブジェクト(COD)は、現実のシナリオでは極めて複雑で難しい、視覚的にブレンドされたオブジェクトを周囲に分割しようと試みている。 本研究では,不明瞭な画像を観察したり,ズームインしたりアウトしたりする際の人間の行動を模倣する,効果的な統合協調ピラミッドネットワークを提案する。 我々のフレームワークは、画像とビデオのCODベンチマークにおいて、既存の最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-10-31T06:11:23Z)
• Extreme Image Transformations Facilitate Robust Latent Object Representations [1.2277343096128712]
  敵攻撃は、野生の機械の物体認識能力に影響を与える可能性がある。 これらは多くの場合、入力ラベルとクラスラベルの間に急激な相関関係があり、大きなネットワークで記憶される傾向がある。 本研究は,エクストリーム・イメージ・トランスフォーメーション(EIT)を用いた既訓練オフ・ザ・シェルフネットワークの微調整によって,頑健な潜伏表現の学習を支援するだけでなく,様々な強度の共通の敵攻撃に対して,これらのネットワークの性能を向上させることを示す。
  論文  参考訳（メタデータ） (2023-09-19T21:31:25Z)
• Impact of Scaled Image on Robustness of Deep Neural Networks [0.0]
  生画像のスケーリングはアウト・オブ・ディストリビューションデータを生成するため、ネットワークを騙すための敵攻撃の可能性がある。 本研究では,ImageNet Challengeデータセットのサブセットを複数でスケーリングすることで,Scaling-DistortionデータセットのImageNet-CSを提案する。
  論文  参考訳（メタデータ） (2022-09-02T08:06:58Z)
• Robustness and invariance properties of image classifiers [8.970032486260695]
  ディープニューラルネットワークは多くの画像分類タスクで印象的な結果を得た。 ディープネットワークは、多種多様なセマンティック保存画像修正に対して堅牢ではない。 画像分類器の小さなデータ分散シフトに対する堅牢性の低さは、その信頼性に関する深刻な懸念を引き起こす。
  論文  参考訳（メタデータ） (2022-08-30T11:00:59Z)
• Revisiting Domain Generalized Stereo Matching Networks from a Feature Consistency Perspective [65.37571681370096]
  両視点にまたがる単純な画素単位のコントラスト学習を提案する。 ドメイン間の立体的特徴一貫性をよりよく維持するために、立体選択的白化損失を導入する。 提案手法は,複数の最先端ネットワークよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-03-21T11:21:41Z)
• SMD-Nets: Stereo Mixture Density Networks [68.56947049719936]
  SMD-Nets(Stereo Mixture Density Networks)は、幅広い2Dおよび3Dアーキテクチャに対応したシンプルで効果的な学習フレームワークです。 具体的には,バイモーダル混合密度を出力表現として活用し,不連続近傍の鋭く正確な不一致推定を可能にすることを示す。 我々は8Mpx解像度のステレオペアと現実世界のステレオデータセットからなる、新しい高解像度でリアルな合成ステレオデータセットに関する包括的な実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T16:15:46Z)
• Stereopagnosia: Fooling Stereo Networks with Adversarial Perturbations [71.00754846434744]
  知覚不能な加法的摂動は,差分マップを著しく変更できることを示す。 敵データ拡張に使用すると、我々の摂動はより堅牢なトレーニングされたモデルをもたらすことを示す。
  論文  参考訳（メタデータ） (2020-09-21T19:20:09Z)
• Identity Enhanced Residual Image Denoising [61.75610647978973]
  我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。 提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
  論文  参考訳（メタデータ） (2020-04-26T04:52:22Z)

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。