論文の概要: Super-Efficient Super Resolution for Fast Adversarial Defense at the
Edge
- arxiv url: http://arxiv.org/abs/2112.14340v1
- Date: Wed, 29 Dec 2021 00:35:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 15:34:11.365301
- Title: Super-Efficient Super Resolution for Fast Adversarial Defense at the
Edge
- Title（参考訳）: エッジの高速対向防御のための超高能率超解像
- Authors: Kartikeya Bhardwaj, Dibakar Gope, James Ward, Paul Whatmough, Danny
Loh
- Abstract要約: 画像分類のDeep Neural Networks (DNN) に対する攻撃を緩和する新しい手法が登場した。
超解像は計算コストが高い。
超高効率超解像(SESR)は,2倍から330倍のMultiply-Accumulate(MAC)演算を必要としながら,先行技術と類似あるいは良好な画像品質を実現する。
- 参考スコア（独自算出の注目度）: 4.2698418800007865
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous systems are highly vulnerable to a variety of adversarial attacks
on Deep Neural Networks (DNNs). Training-free model-agnostic defenses have
recently gained popularity due to their speed, ease of deployment, and ability
to work across many DNNs. To this end, a new technique has emerged for
mitigating attacks on image classification DNNs, namely, preprocessing
adversarial images using super resolution -- upscaling low-quality inputs into
high-resolution images. This defense requires running both image classifiers
and super resolution models on constrained autonomous systems. However, super
resolution incurs a heavy computational cost. Therefore, in this paper, we
investigate the following question: Does the robustness of image classifiers
suffer if we use tiny super resolution models? To answer this, we first review
a recent work called Super-Efficient Super Resolution (SESR) that achieves
similar or better image quality than prior art while requiring 2x to 330x fewer
Multiply-Accumulate (MAC) operations. We demonstrate that despite being orders
of magnitude smaller than existing models, SESR achieves the same level of
robustness as significantly larger networks. Finally, we estimate end-to-end
performance of super resolution-based defenses on a commercial Arm Ethos-U55
micro-NPU. Our findings show that SESR achieves nearly 3x higher FPS than a
baseline while achieving similar robustness.
- Abstract（参考訳）: 自律システムは、ディープニューラルネットワーク(DNN)に対する様々な敵攻撃に対して非常に脆弱である。
トレーニング不要のモデル非依存のディフェンスは、そのスピード、デプロイの容易さ、多くのDNNで機能する能力により、最近人気を集めている。
この目的のために、画像分類dnnに対する攻撃を緩和する新しい技術、すなわち、スーパーレゾリューションを用いた敵画像の前処理 -- 低品質の入力を高精細な画像にスケールアップする -- が登場した。
この防御には、制約付き自律システム上でイメージ分類器とスーパーレゾリューションモデルの両方を実行する必要がある。
しかし、スーパーレゾリューションには計算コストがかかる。
そこで,本稿では,超解像モデルを用いた場合,画像分類器のロバスト性は低下するのだろうか?
そこで本研究では,2倍から330倍のmultiply-accumulate (mac) 演算を必要とし,従来技術と同等あるいは良好な画質を実現する,super- efficient super resolution (sesr) と呼ばれる最近の研究を初めてレビューした。
既存のモデルよりも桁違いに小さいにもかかわらず、SESRはより大規模なネットワークと同じレベルの堅牢性を達成している。
最後に,商用アームethos-u55マイクロnpuにおける超解像度防御のエンドツーエンド性能を推定する。
以上の結果から,SESRはベースラインよりも約3倍高いFPSを達成できる一方で,同様の堅牢性も達成できることがわかった。
関連論文リスト
- LSwinSR: UAV Imagery Super-Resolution based on Linear Swin Transformer [7.3817359680010615]
超高分解能技術は無人航空機(UAV)に特に有用である
本稿では,UAV画像の高分解能化のために,最先端のSwin Transformerに基づく新しいネットワークを提案する。
論文 参考訳（メタデータ） (2023-03-17T20:14:10Z) - SDM: Spatial Diffusion Model for Large Hole Image Inpainting [106.90795513361498]
本稿では,空間拡散モデル(SDM)を提案する。
また,提案手法は非結合確率モデルと空間拡散スキームにより,高品質な大穴工法を実現する。
論文 参考訳（メタデータ） (2022-12-06T13:30:18Z) - Efficient and Accurate Quantized Image Super-Resolution on Mobile NPUs,
Mobile AI & AIM 2022 challenge: Report [144.41960648643564]
本稿では,高効率な量子化画像超解法を設計するための参加者を提案する。
このソリューションはモバイルNPU上でリアルタイムのパフォーマンスを示すことができる。
全てのモデルのランタイムは、専用のエッジNPUを備えたSynaptics VS680 Smart Homeボードで評価された。
論文 参考訳（メタデータ） (2022-11-07T22:27:58Z) - Image Super-resolution with An Enhanced Group Convolutional Neural
Network [102.2483249598621]
学習能力の強いCNNは、超解像問題を解くために広く選択されている。
浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。
ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
論文 参考訳（メタデータ） (2022-05-29T00:34:25Z) - BSRA: Block-based Super Resolution Accelerator with Hardware Efficient
Pixel Attention [0.10547353841674209]
本稿では,ハードウェア効率のよいハードウェアアクセラレーションを提案する。
最終的な実装は、TSMC 40nm CMOSプロセスで毎秒30フレームのフルHD画像再構成をサポートすることができる。
論文 参考訳（メタデータ） (2022-05-02T09:56:29Z) - SwiftSRGAN -- Rethinking Super-Resolution for Efficient and Real-time
Inference [0.0]
本稿では,メモリフットプリントの高速化と小型化を実現したアーキテクチャを提案する。
リアルタイムの超解像度により、帯域幅の低い条件下でも高解像度のメディアコンテンツをストリーミングできる。
論文 参考訳（メタデータ） (2021-11-29T04:20:15Z) - Projected GANs Converge Faster [50.23237734403834]
GAN(Generative Adversarial Networks)は高品質な画像を生成するが、訓練は難しい。
生成したサンプルと実際のサンプルを固定された事前訓練された特徴空間に投影することで、これらの問題に大きく取り組みます。
我々の投影GANは画像品質、サンプル効率、収束速度を改善する。
論文 参考訳（メタデータ） (2021-11-01T15:11:01Z) - Extremely Lightweight Quantization Robust Real-Time Single-Image Super
Resolution for Mobile Devices [0.0]
シングルイメージ・スーパーレゾリューション(SISR)は古典的なコンピュータビジョンの問題であり、数十年にわたって研究されてきた。
SISRに関する最近の研究は、ディープラーニングの方法論に焦点を合わせ、最先端の結果を得る。
ハードウェア(Synaptics Dolphin NPU)を意識した超軽量量子化ロバストリアルタイム超解像ネットワーク(XLSR)を提案する。
論文 参考訳（メタデータ） (2021-05-21T11:29:48Z) - Real-Time Quantized Image Super-Resolution on Mobile NPUs, Mobile AI
2021 Challenge: Report [67.86837649834636]
我々は,エンド・ツー・エンドのディープラーニングベースの画像超解像ソリューションを開発することを目的とした,最初のモバイルaiチャレンジを紹介する。
提案されたソリューションは、すべての主要なモバイルAIアクセラレータと完全に互換性があり、40-60ms以下のフルHDイメージを再構築することができる。
論文 参考訳（メタデータ） (2021-05-17T13:34:15Z) - Collapsible Linear Blocks for Super-Efficient Super Resolution [3.5554418329811557]
シングルイメージスーパーリゾリューション(SISR)は、コンピュータビジョンの重要な問題となっています。
超高効率超解像ネットワークの新たなクラスであるSESRを提案する。
6つのベンチマークデータセットの詳細な実験は、SESRが同様のあるいはより良い画像品質を達成することを実証している。
論文 参考訳（メタデータ） (2021-03-17T02:16:31Z) - AIM 2020 Challenge on Efficient Super-Resolution: Methods and Results [222.26973543552327]
本稿では,AIM 2020における高効率単一画像超解像の課題について概説する。
課題は、倍率x4の入力画像を超解凍することであった。
目標は、ランタイム、パラメータカウント、FLOP、アクティベーション、メモリ消費などの1つまたは複数の側面を減らすネットワークを考案することである。
論文 参考訳（メタデータ） (2020-09-15T09:25:51Z)
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。