論文の概要: Adversarially robust segmentation models learn perceptually-aligned gradients

• arxiv url: http://arxiv.org/abs/2204.01099v1
• Date: Sun, 3 Apr 2022 16:04:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 06:53:47.901705
• Title: Adversarially robust segmentation models learn perceptually-aligned gradients
• Title（参考訳）: 逆ロバストなセグメンテーションモデルは知覚整合勾配を学習する
• Authors: Pedro Sandoval-Segura
• Abstract要約: 逆学習されたセマンティックセグメンテーションネットワークを用いて画像のインペイントと生成を行うことができることを示す。 知覚的に整合した勾配は、ニューラルネットワークの学習された表現をよりよく理解し、ニューラルネットワークをより解釈しやすいものにする助けとなる、と我々は主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The effects of adversarial training on semantic segmentation networks has not been thoroughly explored. While previous work has shown that adversarially-trained image classifiers can be used to perform image synthesis, we have yet to understand how best to leverage an adversarially-trained segmentation network to do the same. Using a simple optimizer, we demonstrate that adversarially-trained semantic segmentation networks can be used to perform image inpainting and generation. Our experiments demonstrate that adversarially-trained segmentation networks are more robust and indeed exhibit perceptually-aligned gradients which help in producing plausible image inpaintings. We seek to place additional weight behind the hypothesis that adversarially robust models exhibit gradients that are more perceptually-aligned with human vision. Through image synthesis, we argue that perceptually-aligned gradients promote a better understanding of a neural network's learned representations and aid in making neural networks more interpretable.
• Abstract（参考訳）: セマンティクスセグメンテーションネットワークに対する敵意訓練の効果は十分に検討されていない。 従来の研究では、画像合成に逆学習した画像分類器を使用できることが示されているが、逆学習したセグメント化ネットワークをどのように活用するかは、まだ分かっていない。 単純なオプティマイザを用いて,逆訓練された意味セグメンテーションネットワークを用いて画像インパインティングと生成を行うことができることを示す。 実験により, 対向学習されたセグメンテーションネットワークは, より堅牢で, 知覚的に整合した勾配を示し, 可視像の塗布に有効であることが確認された。 我々は、逆向きに頑健なモデルが人間の視覚とより知覚的に整合した勾配を示すという仮説の裏側に、さらなる重みをつけようとしている。 画像合成を通じて、知覚的に整列した勾配はニューラルネットワークの学習表現をよりよく理解し、ニューラルネットワークをより解釈しやすいものにするのに役立つと主張する。

関連論文リスト

• Interpret the Predictions of Deep Networks via Re-Label Distillation [22.2326257454041]
  本研究では,入力から予測への直接写像を自己超越的に学習するための再ラベル蒸留手法を提案する。 合成画像は、ラベルがシフトするかどうかを識別することにより、2つのクラスのうちの1つに注釈を付けることができる。 このようにして、これらの再ラベルされた合成画像は、ディープネットワークの局所的な分類機構をうまく記述することができる。
  論文  参考訳（メタデータ） (2024-09-20T00:46:22Z)
• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Self-supervised Contrastive Learning for Cross-domain Hyperspectral Image Representation [26.610588734000316]
  本稿では,アノテートが本質的に困難であるハイパースペクトル画像に適した自己教師型学習フレームワークを提案する。 提案するフレームワークアーキテクチャは、クロスドメインCNNを利用して、異なるハイパースペクトル画像から表現を学習する。 実験結果は、スクラッチや他の移動学習法から学習したモデルに対して、提案した自己教師型表現の利点を示す。
  論文  参考訳（メタデータ） (2022-02-08T16:16:45Z)
• Counterfactual Generative Networks [59.080843365828756]
  画像生成過程を直接監督せずに訓練する独立した因果機構に分解することを提案する。 適切な誘導バイアスを活用することによって、これらのメカニズムは物体の形状、物体の質感、背景を解き放つ。 その結果, 偽画像は, 元の分類タスクにおける性能の低下を伴い, 分散性が向上することが示された。
  論文  参考訳（メタデータ） (2021-01-15T10:23:12Z)
• Disentangle Perceptual Learning through Online Contrastive Learning [16.534353501066203]
  人間の視覚的知覚による現実的な結果の獲得は、画像変換タスクにおける中心的な関心事である。 本稿では,事前学習した分類ネットワークの特徴表現の中で,人間の視覚知覚に限定した次元しか関連していないことを論じる。 このような仮定の下で,提案したオンラインコントラスト学習を通じて,認識関連次元を表現から切り離そうとする。
  論文  参考訳（メタデータ） (2020-06-24T06:48:38Z)
• A Disentangling Invertible Interpretation Network for Explaining Latent Representations [19.398202091883366]
  ユーザにとって理解しやすい意味概念への隠された表現の翻訳として解釈を定式化する。 提案する非可逆解釈ネットワークは,既存のアーキテクチャ上で透過的に適用可能である。 本稿では,2つのイメージをスケッチするだけでなく,教師なしの戦略によって意味概念を定義するための効率的な手法を提案する。
  論文  参考訳（メタデータ） (2020-04-27T20:43:20Z)
• Towards Achieving Adversarial Robustness by Enforcing Feature Consistency Across Bit Planes [51.31334977346847]
  我々は、高ビット平面の情報に基づいて粗い印象を形成するためにネットワークを訓練し、低ビット平面を用いて予測を洗練させる。 異なる量子化画像間で学習した表現に一貫性を付与することにより、ネットワークの対角的ロバスト性が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-04-01T09:31:10Z)
• Deep CG2Real: Synthetic-to-Real Translation via Image Disentanglement [78.58603635621591]
  画像空間における未ペアの合成-現実翻訳ネットワークの訓練は、厳しい制約下にある。 画像の非交叉シェーディング層とアルベド層に作用する半教師付きアプローチを提案する。 私たちの2段階のパイプラインはまず、物理ベースのレンダリングをターゲットとして、教師付き方法で正確なシェーディングを予測することを学習します。
  論文  参考訳（メタデータ） (2020-03-27T21:45:41Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。