論文の概要: ImageNet-Patch: A Dataset for Benchmarking Machine Learning Robustness against Adversarial Patches

• arxiv url: http://arxiv.org/abs/2203.04412v2
• Date: Wed, 15 Jan 2025 04:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:08:25.838218
• Title: ImageNet-Patch: A Dataset for Benchmarking Machine Learning Robustness against Adversarial Patches
• Title（参考訳）: ImageNet-Patch: 敵対的パッチに対するロバストネスをベンチマークするデータセット
• Authors: Maura Pintor, Daniele Angioni, Angelo Sotgiu, Luca Demetrio, Ambra Demontis, Battista Biggio, Fabio Roli,
• Abstract要約: ImageNet-Patchは、機械学習モデルを敵のパッチに対してベンチマークするためのデータセットである。 パッチのセットで構成され、異なるモデルにまたがる一般化に最適化され、事前処理後にImageNetデータに容易に適用できる。 本稿では,127モデルに対する計算パッチの有効性を検証することで,このデータセットの有用性を示す。
• 参考スコア（独自算出の注目度）: 17.14910533651869
• License:
• Abstract: Adversarial patches are optimized contiguous pixel blocks in an input image that cause a machine-learning model to misclassify it. However, their optimization is computationally demanding, and requires careful hyperparameter tuning, potentially leading to suboptimal robustness evaluations. To overcome these issues, we propose ImageNet-Patch, a dataset to benchmark machine-learning models against adversarial patches. It consists of a set of patches, optimized to generalize across different models, and readily applicable to ImageNet data after preprocessing them with affine transformations. This process enables an approximate yet faster robustness evaluation, leveraging the transferability of adversarial perturbations. We showcase the usefulness of this dataset by testing the effectiveness of the computed patches against 127 models. We conclude by discussing how our dataset could be used as a benchmark for robustness, and how our methodology can be generalized to other domains. We open source our dataset and evaluation code at https://github.com/pralab/ImageNet-Patch.
• Abstract（参考訳）: 逆パッチは入力画像中の連続したピクセルブロックに最適化され、機械学習モデルがそれを誤分類する原因となる。 しかし、それらの最適化は計算的に要求され、注意深いハイパーパラメータチューニングが必要であり、潜在的に最適下ロバスト性評価に繋がる可能性がある。 これらの問題を克服するために,機械学習モデルを逆パッチに対してベンチマークするデータセットであるImageNet-Patchを提案する。 これはパッチセットで構成され、異なるモデルにまたがって一般化するように最適化され、アフィン変換でそれらを前処理した後、ImageNetデータに容易に適用できる。 このプロセスは、対向摂動の伝達可能性を利用して、近似的かつ高速なロバスト性評価を可能にする。 本稿では,127モデルに対する計算パッチの有効性を検証することで,このデータセットの有用性を示す。 我々は、データセットがロバストネスのベンチマークとしてどのように使われるのか、我々の方法論が他のドメインにどのように一般化されるのかを議論することで結論付けた。 私たちはデータセットと評価コードをhttps://github.com/pralab/ImageNet-Patch.comで公開しています。

関連論文リスト

• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
  車両の新たな総合ベンチマークであるCarPatchを紹介する。 内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。 グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
  論文  参考訳（メタデータ） (2023-07-24T11:59:07Z)
• Bridging Vision and Language Encoders: Parameter-Efficient Tuning for Referring Image Segmentation [72.27914940012423]
  画像セグメンテーションの参照における効率的なチューニング問題について検討する。 クロスモーダル情報交換を容易にするBridgerと呼ばれる新しいアダプタを提案する。 画像分割のための軽量デコーダも設計する。
  論文  参考訳（メタデータ） (2023-07-21T12:46:15Z)
• DBAT: Dynamic Backward Attention Transformer for Material Segmentation with Cross-Resolution Patches [8.812837829361923]
  クロスレゾリューション特徴を集約する動的後方アテンション変換器(DBAT)を提案する。 実験の結果,DBATの精度は86.85%であり,最先端のリアルタイムモデルの中では最高の性能であることがわかった。 さらに,提案モデルが他の手法よりも優れた材料関連特徴を抽出できることを示すため,セマンティックなラベルにアライメントし,ネットワーク分割を行う。
  論文  参考訳（メタデータ） (2023-05-06T03:47:20Z)
• ImageNet-E: Benchmarking Neural Network Robustness via Attribute Editing [45.14977000707886]
  ImageNetにおける高い精度は、通常、異なる汚職に対してより堅牢性をもたらす。 我々は、背景、大きさ、位置、方向の制御によるオブジェクト編集のためのツールキットを作成する。 我々は、畳み込みニューラルネットワークと視覚変換器の両方を含む現在のディープラーニングモデルの性能を評価する。
  論文  参考訳（メタデータ） (2023-03-30T02:02:32Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• RealPatch: A Statistical Matching Framework for Model Patching with Real Samples [6.245453620070586]
  RealPatchは、統計マッチングに基づいた、よりシンプルで、より高速で、よりデータ効率の高いデータ拡張のためのフレームワークである。 この結果から,RealPatchは,モデルリークを低減し,高ユーティリティを維持するとともに,データセットリークを効果的に除去できることが示唆された。
  論文  参考訳（メタデータ） (2022-08-03T16:22:30Z)
• Patch Slimming for Efficient Vision Transformers [107.21146699082819]
  与えられたネットワーク上で冗長な計算を行うことにより,視覚変換器の効率性について検討する。 我々は、トップダウンパラダイムで無駄なパッチを捨てる、新しいパッチスリム化アプローチを提案する。 ベンチマークによる実験結果から,提案手法は視覚変換器の計算コストを大幅に削減できることが示された。
  論文  参考訳（メタデータ） (2021-06-05T09:46:00Z)
• Contemplating real-world object classification [53.10151901863263]
  Barbuらが最近提案したObjectNetデータセットを再分析した。 日常の状況に物を含むこと。 分離されたオブジェクトにディープモデルを適用すると、元の論文のようにシーン全体ではなく、約20～30%の性能改善が得られます。
  論文  参考訳（メタデータ） (2021-03-08T23:29:59Z)

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。