論文の概要: VITA: A Multi-Source Vicinal Transfer Augmentation Method for
Out-of-Distribution Generalization
- arxiv url: http://arxiv.org/abs/2204.11531v1
- Date: Mon, 25 Apr 2022 09:47:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 14:15:03.446932
- Title: VITA: A Multi-Source Vicinal Transfer Augmentation Method for
Out-of-Distribution Generalization
- Title（参考訳）: vita : 分散一般化のための多ソースvicinal transfer augmentation法
- Authors: Minghui Chen, Cheng Wen, Feng Zheng, Fengxiang He, Ling Shao
- Abstract要約: マルチソースビジナルトランスファー(VITA)法を提案する。
提案したVITAは2つの相補的な部分から構成される。
提案したVITAは, 汚損評価ベンチマークの広範な実験において, 現在の最先端化手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 107.96139593283547
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Invariance to diverse types of image corruption, such as noise, blurring, or
colour shifts, is essential to establish robust models in computer vision. Data
augmentation has been the major approach in improving the robustness against
common corruptions. However, the samples produced by popular augmentation
strategies deviate significantly from the underlying data manifold. As a
result, performance is skewed toward certain types of corruption. To address
this issue, we propose a multi-source vicinal transfer augmentation (VITA)
method for generating diverse on-manifold samples. The proposed VITA consists
of two complementary parts: tangent transfer and integration of multi-source
vicinal samples. The tangent transfer creates initial augmented samples for
improving corruption robustness. The integration employs a generative model to
characterize the underlying manifold built by vicinal samples, facilitating the
generation of on-manifold samples. Our proposed VITA significantly outperforms
the current state-of-the-art augmentation methods, demonstrated in extensive
experiments on corruption benchmarks.
- Abstract（参考訳）: ノイズやぼやけ、色の変化など、さまざまなタイプの画像腐敗に対する不変性は、コンピュータビジョンにおける堅牢なモデルを確立する上で不可欠である。
データ強化は、一般的な汚職に対する堅牢性を改善する主要なアプローチである。
しかし、一般的な拡張戦略によって生成されたサンプルは、基礎となるデータ多様体から大きく逸脱する。
その結果、特定の種類の腐敗に対してパフォーマンスが歪められる。
この問題に対処するために,多種多様なon-manifoldサンプルを生成するための多元vicinal transfer augmentation (vita)法を提案する。
提案するvitaはタンジェント転送と多源ビビナルサンプルの統合という2つの相補的な部分から構成されている。
タンジェント転送は、汚職の堅牢性を改善するために最初の拡張サンプルを生成する。
この統合は、ビクチンサンプルによって構築される基礎となる多様体を特徴づける生成モデルを採用しており、on-manifoldサンプルの生成を容易にする。
提案したVITAは, 汚損評価ベンチマークの広範な実験において, 現在の最先端化手法よりも優れていた。
関連論文リスト
- Controlling the Fidelity and Diversity of Deep Generative Models via Pseudo Density [70.14884528360199]
本稿では, GAN や拡散モデルなどのバイアス深層生成モデルへのアプローチを導入し, 忠実度の向上や多様性の向上を図ったデータ生成手法を提案する。
提案手法では, 擬似密度という, 個人サンプルの新たな測定基準を用いて, トレーニングとデータ生成の分布を操作する。
論文 参考訳（メタデータ） (2024-07-11T16:46:04Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳（メタデータ） (2024-03-20T04:58:03Z) - MTS-DVGAN: Anomaly Detection in Cyber-Physical Systems using a Dual
Variational Generative Adversarial Network [7.889342625283858]
深層生成モデルは、ラベル付き情報に頼ることなく、サイバー物理システム(CPS)の脆弱性を軽減し、新しいサイバー物理攻撃を検出することを約束している。
本稿では、MST-DVGANという、教師なし二重変分生成対向モデルを提案する。
中心となる概念は、再構成された異常サンプルと正常なサンプルとの区別を広げることで、モデルの識別能力を高めることである。
論文 参考訳（メタデータ） (2023-11-04T11:19:03Z) - Exploring the Robustness of Human Parsers Towards Common Corruptions [99.89886010550836]
我々は,LIP-C,ATR-C,Pascal-Person-Part-Cという3つの汚職堅牢性ベンチマークを構築し,人間の解析モデルのリスク許容度を評価する。
データ強化戦略に触発されて、一般に破損した条件下で頑健性を高めるための新しい異種強化機構を提案する。
論文 参考訳（メタデータ） (2023-09-02T13:32:14Z) - Diffusion-Based Adversarial Sample Generation for Improved Stealthiness
and Controllability [62.105715985563656]
そこで本研究では,現実的な対向サンプルを生成するための拡散型射影勾配 Descent (Diff-PGD) という新しいフレームワークを提案する。
我々のフレームワークは、デジタルアタック、物理世界アタック、スタイルベースのアタックなど、特定のタスクに簡単にカスタマイズできる。
論文 参考訳（メタデータ） (2023-05-25T21:51:23Z) - Making Substitute Models More Bayesian Can Enhance Transferability of
Adversarial Examples [89.85593878754571]
ディープニューラルネットワークにおける敵の例の転送可能性は多くのブラックボックス攻撃の欠如である。
我々は、望ましい転送可能性を達成するためにベイズモデルを攻撃することを提唱する。
我々の手法は近年の最先端を大きなマージンで上回る。
論文 参考訳（メタデータ） (2023-02-10T07:08:13Z) - Few-shot Image Generation with Diffusion Models [18.532357455856836]
拡散確率モデル(DDPM)は、大量のデータに基づいて訓練された際に、顕著な多様性で高品質な画像を合成できることが証明されている。
現代のアプローチは、主にGAN(Generative Adversarial Networks)とAdapted Model(Adapted Model)に基づいて構築されている。
本稿では, DDPMが過度に適合し, トレーニングデータが不足するにつれて, 高度に多様性が低下する事例について検討する。
論文 参考訳（メタデータ） (2022-11-07T02:18:27Z) - A Closer Look at Few-shot Image Generation [38.83570296616384]
訓練済みのGANを小さなターゲットデータで転送する場合、ジェネレータはトレーニングサンプルを複製する傾向がある。
この数ショットの画像生成に対処するいくつかの方法が提案されているが、それらを統一されたフレームワークで分析する努力が不足している。
適応中に既存の手法を解析するためのフレームワークを提案する。
第2のコントリビューションは、ソースドメインのリッチなマルチレベル多様性情報をターゲットドメインジェネレータに保持するために、相互情報(MI)を適用することを提案する。
論文 参考訳（メタデータ） (2022-05-08T07:46:26Z)
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。