Fugu-MT 論文翻訳(概要): Investigating and Explaining the Frequency Bias in Image Classification

論文の概要: Investigating and Explaining the Frequency Bias in Image Classification

arxiv url: http://arxiv.org/abs/2205.03154v1
Date: Fri, 6 May 2022 11:45:43 GMT
ステータス: 処理完了
システム内更新日: 2022-05-09 13:14:47.467408
Title: Investigating and Explaining the Frequency Bias in Image Classification
Title（参考訳）: 画像分類における周波数バイアスの調査と説明
Authors: ZhiYu Lin, YiFei Gao, JiTao Sang
Abstract要約: CNNは人間とは異なる多くの行動を示しており、その1つは高周波成分を用いる能力である。本稿では,画像分類作業における周波数バイアス現象について論じる。
参考スコア（独自算出の注目度）: 11.078920943157845
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: CNNs exhibit many behaviors different from humans, one of which is the capability of employing high-frequency components. This paper discusses the frequency bias phenomenon in image classification tasks: the high-frequency components are actually much less exploited than the low- and mid-frequency components. We first investigate the frequency bias phenomenon by presenting two observations on feature discrimination and learning priority. Furthermore, we hypothesize that (i) the spectral density, (ii) class consistency directly affect the frequency bias. Specifically, our investigations verify that the spectral density of datasets mainly affects the learning priority, while the class consistency mainly affects the feature discrimination.
Abstract（参考訳）: CNNは人間とは異なる多くの行動を示しており、その1つは高周波成分を用いる能力である。本稿では,画像分類作業における周波数バイアス現象について論じる。まず,特徴の識別と学習優先性に関する2つの観察を提示し,周波数バイアス現象を考察する。さらに、我々はそれを仮定する。スペクトル密度; スペクトル密度; スペクトル密度 (ii)クラス一貫性は周波数バイアスに直接影響する。具体的には,データセットのスペクトル密度が学習優先度に,クラス一貫性が特徴識別に主に影響していることを検証する。

関連論文リスト

Tuning Frequency Bias of State Space Models [48.60241978021799]
状態空間モデル(SSM)は、線形時間不変(LTI)システムを利用して、長距離依存のシーケンスを学習する。その結果,SSMは低周波成分を高周波成分よりも効果的に捕捉する傾向を示した。
論文参考訳（メタデータ） (2024-10-02T21:04:22Z)
Mitigating Low-Frequency Bias: Feature Recalibration and Frequency Attention Regularization for Adversarial Robustness [23.77988226456179]
本稿では,HFDR(High-Frequency Feature Disentanglement and Recalibration)と呼ばれる新しいモジュールを提案する。 HFDRは、特徴を高周波成分と低周波成分に分離し、高周波特徴を再検討し、潜在有用なセマンティクスをキャプチャする。大規模な実験は、様々なホワイトボックス攻撃、転送攻撃、および強力な一般化能力に対する我々のアプローチの持つ大きな可能性と優位性を示している。
論文参考訳（メタデータ） (2024-07-04T15:46:01Z)
FS-BAND: A Frequency-Sensitive Banding Detector [55.59101150019851]
バンディング・アーティファクト(Banding artifact)は、階段のような輪郭(contour)として知られ、圧縮や伝達などで発生する一般的な品質の不快さである。周波数感度バンディング検出器 (FS-BAND) と呼ばれる,帯状アーティファクトを捕捉・評価するための非参照帯状検出モデルを提案する。実験結果から,FS-BAND法は画像品質評価(IQA)手法よりもバンドリング分類タスクの精度が高い結果を得た。
論文参考訳（メタデータ） (2023-11-30T03:20:42Z)
What do neural networks learn in image classification? A frequency shortcut perspective [3.9858496473361402]
本研究では,ニューラルネットワーク(NN)における周波数ショートカットの学習力学を実験的に研究する。 NNは、分類のための単純な解を見つける傾向があり、訓練中に最初に何を学ぶかは、最も特徴的な周波数特性に依存する。本稿では,クラスワイズ周波数特性を測定するための指標と,周波数ショートカットの同定方法を提案する。
論文参考訳（メタデータ） (2023-07-19T08:34:25Z)
On the Frequency Bias of Generative Models [61.60834513380388]
我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
論文参考訳（メタデータ） (2021-11-03T18:12:11Z)
A Frequency Perspective of Adversarial Robustness [72.48178241090149]
理論的および経験的知見を参考に,周波数に基づく対向例の理解について述べる。分析の結果,逆転例は高周波でも低周波成分でもないが,単にデータセット依存であることがわかった。本稿では、一般に観測される精度対ロバスト性トレードオフの周波数に基づく説明法を提案する。
論文参考訳（メタデータ） (2021-10-26T19:12:34Z)
Spectral Bias in Practice: The Role of Function Frequency in Generalization [10.7218588164913]
現代の画像分類網におけるスペクトルバイアスを測定する手法を提案する。一般化するネットワークは、データの適合に十分な複雑さを持つと同時に、過度な適合を避けるのに十分な単純さとバランスをとっています。我々の研究は、画像分類に使用されるニューラルネットワークのスペクトル挙動の測定と制御を可能にする。
論文参考訳（メタデータ） (2021-10-06T00:16:10Z)
Impact of Spatial Frequency Based Constraints on Adversarial Robustness [0.49478969093606673]
敵対的な例は、人間が敏感でない入力ピクセルの変更を主に利用し、モデルは解釈不能な特徴に基づいて決定するという事実から生じる。本稿では,異なる空間周波数範囲に対応する情報を活用するために,訓練中に実施されるモデルの対向的摂動に対する頑健性について検討する。
論文参考訳（メタデータ） (2021-04-26T16:12:04Z)
Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。フェースフォージェリ検出に高周波雑音を用いることを提案する。 1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。 2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
論文参考訳（メタデータ） (2021-03-23T08:19:21Z)
WaveTransform: Crafting Adversarial Examples via Input Decomposition [69.01794414018603]
本稿では,低周波サブバンドと高周波サブバンドに対応する逆雑音を生成するWaveTransformを紹介する。実験により,提案攻撃は防衛アルゴリズムに対して有効であり,CNN間での転送も可能であることが示された。
論文参考訳（メタデータ） (2020-10-29T17:16:59Z)

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。