論文の概要: Towards Effective Multi-Label Recognition Attacks via Knowledge Graph Consistency

• arxiv url: http://arxiv.org/abs/2207.05137v1
• Date: Mon, 11 Jul 2022 19:08:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 04:41:44.214969
• Title: Towards Effective Multi-Label Recognition Attacks via Knowledge Graph Consistency
• Title（参考訳）: 知識グラフによる効果的なマルチラベル認識攻撃に向けて
• Authors: Hassan Mahmood, Ehsan Elhamifar
• Abstract要約: マルチラベル設定に対するマルチクラス攻撃の素早い拡張は,ラベル関係に違反することを示す。 本稿では,グラフに一貫性のあるマルチラベルアタックフレームワークを提案する。このフレームワークは,所望のターゲットセットの誤分類につながる小さな画像摂動を探索する。
• 参考スコア（独自算出の注目度）: 33.250544869840155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many real-world applications of image recognition require multi-label learning, whose goal is to find all labels in an image. Thus, robustness of such systems to adversarial image perturbations is extremely important. However, despite a large body of recent research on adversarial attacks, the scope of the existing works is mainly limited to the multi-class setting, where each image contains a single label. We show that the naive extensions of multi-class attacks to the multi-label setting lead to violating label relationships, modeled by a knowledge graph, and can be detected using a consistency verification scheme. Therefore, we propose a graph-consistent multi-label attack framework, which searches for small image perturbations that lead to misclassifying a desired target set while respecting label hierarchies. By extensive experiments on two datasets and using several multi-label recognition models, we show that our method generates extremely successful attacks that, unlike naive multi-label perturbations, can produce model predictions consistent with the knowledge graph.
• Abstract（参考訳）: 画像認識の現実的な応用の多くは、画像中のすべてのラベルを見つけることが目的であるマルチラベル学習を必要とする。 したがって、このようなシステムの逆画像摂動に対する堅牢性は非常に重要である。 しかし、近年の敵対的攻撃に関する大規模な研究にもかかわらず、既存の作品の範囲は主に、各画像が単一のラベルを含むマルチクラス設定に限られている。 本稿では,マルチラベル設定に対する多クラス攻撃のナイーブな拡張は,知識グラフによってモデル化されたラベル関係に違反し,一貫性検証スキームを用いて検出できることを示す。 そこで我々は,ラベル階層を尊重しながら,所望のターゲットセットを誤分類する小さな画像摂動を探索するグラフ一貫性多ラベル攻撃フレームワークを提案する。 2つのデータセットを広範囲に実験し、複数のマルチラベル認識モデルを用いて、本手法がナイーブなマルチラベル摂動とは異なり、ナレッジグラフに整合したモデル予測を生成できることを実証する。

関連論文リスト

• DualCoOp++: Fast and Effective Adaptation to Multi-Label Recognition with Limited Annotations [79.433122872973]
  低ラベル体制における多ラベル画像認識は、大きな課題と実践的重要性の課題である。 我々は、何百万もの補助的な画像テキストペアで事前訓練されたテキストと視覚的特徴の強力なアライメントを活用する。 Evidence-guided Dual Context Optimization (DualCoOp++) という,効率的かつ効果的なフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-08-03T17:33:20Z)
• When Measures are Unreliable: Imperceptible Adversarial Perturbations toward Top-$k$ Multi-Label Learning [83.8758881342346]
  新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。 大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
  論文  参考訳（メタデータ） (2023-07-27T13:18:47Z)
• Semantic-Aware Graph Matching Mechanism for Multi-Label Image Recognition [21.36538164675385]
  マルチラベル画像認識は、画像に存在するラベルの集合を予測することを目的としている。 本稿では、各画像をインスタンスの袋として扱い、複数ラベル画像認識のタスクをインスタンス-ラベルマッチング選択問題として定式化する。 マルチラベル画像認識(ML-SGM)のための革新的なセマンティック対応グラフマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-21T23:48:01Z)
• Learning Reliable Representations for Incomplete Multi-View Partial Multi-Label Classification [65.95823612309356]
  本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• Dual-Perspective Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [70.36722026729859]
  本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。 提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-05-26T00:33:44Z)
• Simpler Does It: Generating Semantic Labels with Objectness Guidance [32.81128493853064]
  本稿では、画像のトレーニングのための擬似ラベルを生成する新しいフレームワークについて述べる。 擬似ラベルを生成するには、(i)オブジェクトライクな領域を認識することを学習するクラス非依存のオブジェクトネスネットワーク、(ii)イメージレベルまたはバウンディングボックスアノテーションのいずれからの情報を組み合わせる。 本研究では,対象性ネットワークを自然に活用して,未知のカテゴリに対して対象のような領域を生成する方法を示すことによって,アプローチの有効性を示す。
  論文  参考訳（メタデータ） (2021-10-20T01:52:05Z)
• Multi-Label Image Classification with Contrastive Learning [57.47567461616912]
  コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。 完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-24T15:00:47Z)
• Semantic Diversity Learning for Zero-Shot Multi-label Classification [14.480713752871523]
  本研究では,マルチラベルゼロショット学習のためのエンドツーエンドモデルトレーニングを提案する。 本研究では,主埋め込みベクトルを持つ埋め込み行列を用いて,調整された損失関数を用いて訓練する。 さらに, 学習中, 組込み行列の多様性を促進するために, 高い意味的多様性を示す損失関数画像サンプルの重み付けを提案する。
  論文  参考訳（メタデータ） (2021-05-12T19:39:07Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• SSKD: Self-Supervised Knowledge Distillation for Cross Domain Adaptive Person Re-Identification [25.96221714337815]
  ドメイン適応型人物再識別(re-ID)は、ソースドメインとターゲットドメインの間に大きな違いがあるため、難しい課題である。 既存の手法は主にクラスタリングアルゴリズムによって未ラベルのターゲット画像の擬似ラベルを生成する。 本稿では,識別学習とソフトラベル学習の2つのモジュールを含む自己監督的知識蒸留(SSKD)手法を提案する。
  論文  参考訳（メタデータ） (2020-09-13T10:12:02Z)

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。