論文の概要: Benchmarking Robustness of Deep Learning Classifiers Using Two-Factor
Perturbation
- arxiv url: http://arxiv.org/abs/2203.01323v1
- Date: Wed, 2 Mar 2022 03:53:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 15:27:09.544007
- Title: Benchmarking Robustness of Deep Learning Classifiers Using Two-Factor
Perturbation
- Title(参考訳): 2要素摂動を用いたディープラーニング分類器のロバスト性評価
- Authors: Wei Dai and Daniel Berleant
- Abstract要約: 本稿では,欠陥画像上のDL分類器のロバスト性を評価するための基礎的な研究を付け加える。
クリーンなセット,単一因子摂動のセット,2要素摂動条件のセットを含む,総合的な69のベンチマーク画像セットを作成しました。
- 参考スコア(独自算出の注目度): 4.016928101928335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accuracies of deep learning (DL) classifiers are often unstable in that they
may change significantly when retested on adversarial images, imperfect images,
or perturbed images. This paper adds to the fundamental body of work on
benchmarking the robustness of DL classifiers on defective images. To measure
robust DL classifiers, previous research reported on single-factor corruption.
We created comprehensive 69 benchmarking image sets, including a clean set,
sets with single factor perturbations, and sets with two-factor perturbation
conditions. The state-of-the-art two-factor perturbation includes (a) two
digital perturbations (salt & pepper noise and Gaussian noise) applied in both
sequences, and (b) one digital perturbation (salt & pepper noise) and a
geometric perturbation (rotation) applied in both sequences. Previous research
evaluating DL classifiers has often used top-1/top-5 accuracy. We innovate a
new two-dimensional, statistical matrix to evaluating robustness of DL
classifiers. Also, we introduce a new visualization tool, including minimum
accuracy, maximum accuracy, mean accuracies, and coefficient of variation (CV),
for benchmarking robustness of DL classifiers. Comparing with single factor
corruption, we first report that using two-factor perturbed images improves
both robustness and accuracy of DL classifiers. All source codes and related
image sets are shared on the Website at http://cslinux.semo.edu/david/data to
support future academic research and industry projects.
- Abstract(参考訳): 深層学習(DL)分類器の精度は、逆境画像、不完全画像、摂動画像で再テストした場合に大きく変化する可能性があるため不安定であることが多い。
本稿では,欠陥画像上のDL分類器のロバスト性を評価するための基礎的な研究を付け加える。
頑健なDL分類器を測定するために, 単一要素の破損を報告した。
クリーンなセット,単一因子摂動のセット,2要素摂動条件のセットを含む総合的な69のベンチマーク画像セットを作成しました。
最先端の2要素摂動
(a)両方の系列に適用される2つのデジタル摂動(サルト&ペッパーノイズとガウスノイズ)
(b)デジタル摂動(salt&pepperノイズ)と幾何学摂動(rotation)を両列に適用する。
従来のDL分類器の評価では、トップ1/トップ5の精度がよく用いられていた。
DL分類器のロバスト性を評価するために,新しい2次元統計行列を考案する。
また,dl分類器のロバスト性ベンチマークを行うために,最小精度,最大精度,平均精度,変動係数(cv)を含む新しい可視化ツールを提案する。
まず,2要素摂動画像を用いることで,DL分類器の堅牢性と精度が向上することが報告された。
すべてのソースコードおよび関連画像は、将来の学術研究および産業プロジェクトをサポートするために、http://cslinux.semo.edu/david/dataで共有されている。
関連論文リスト
- Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。
本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。
そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
論文 参考訳(メタデータ) (2023-12-07T18:37:43Z) - Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。
提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
論文 参考訳(メタデータ) (2023-08-19T05:34:13Z) - Retinal Image Restoration using Transformer and Cycle-Consistent
Generative Adversarial Network [0.7868449549351486]
医療画像は様々な疾患の検出と治療に重要な役割を果たしている。
視覚変換器と畳み込みニューラルネットワークを用いた網膜画像強調手法を提案する。
論文 参考訳(メタデータ) (2023-03-03T14:10:47Z) - Traditional Classification Neural Networks are Good Generators: They are
Competitive with DDPMs and GANs [104.72108627191041]
従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。
マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。
また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
論文 参考訳(メタデータ) (2022-11-27T11:25:35Z) - 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) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳(メタデータ) (2022-03-29T13:07:53Z) - Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。
そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。
StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文 参考訳(メタデータ) (2021-04-29T17:58:35Z) - Benchmarking Robustness of Deep Learning Classifiers Using Two-Factor
Perturbation [4.016928101928335]
本稿では,Deep Learning (DL) 分類器の堅牢性を評価するための基礎的な研究を付け加える。
また、最小精度、最大精度、平均精度、変動係数を含む、新しい4つの四分法統計可視化ツールを導入する。
ソースコード、関連するイメージセット、予備データはすべてGitHubのWebサイトで共有され、将来の学術研究および産業プロジェクトをサポートする。
論文 参考訳(メタデータ) (2021-03-02T02:10:54Z) - Evaluating and Mitigating Bias in Image Classifiers: A Causal
Perspective Using Counterfactuals [27.539001365348906]
本稿では、逆学習推論(ALI)の改良版に構造因果モデル(SCM)を組み込むことにより、逆ファクトアルを生成する方法を提案する。
本稿では,事前学習された機械学習分類器の説明方法を示し,そのバイアスを評価し,そのバイアスを正則化器を用いて緩和する方法について述べる。
論文 参考訳(メタデータ) (2020-09-17T13:19:31Z) - I Am Going MAD: Maximum Discrepancy Competition for Comparing
Classifiers Adaptively [135.7695909882746]
我々は、MAD(Maximum Discrepancy)コンペティションを命名する。
任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。
結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
論文 参考訳(メタデータ) (2020-02-25T03:32:29Z)
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。