Fugu-MT 論文翻訳(概要): On Pitfalls of Measuring Occlusion Robustness through Data Distortion

論文の概要: On Pitfalls of Measuring Occlusion Robustness through Data Distortion

arxiv url: http://arxiv.org/abs/2211.13734v1
Date: Thu, 24 Nov 2022 17:51:48 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 15:25:01.893135
Title: On Pitfalls of Measuring Occlusion Robustness through Data Distortion
Title（参考訳）: データ歪みによる閉塞性測定の落とし穴について
Authors: Antonia Marcu
Abstract要約: 提案するアーティファクトを考慮せずに画像を歪みさせることは,咬合堅牢性を確立する際のバイアスのある結果をもたらすことを示す。モデルが現実のシナリオで期待通りに振る舞うようにするためには、評価に付加された成果物が与える影響を除外する必要があります。我々は,オクローダが未知のアプリケーションに対して,より公平な代替手段として,新しいアプローチiOcclusionを提案する。
参考スコア（独自算出の注目度）: 0.5874142059884521
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Over the past years, the crucial role of data has largely been shadowed by the field's focus on architectures and training procedures. We often cause changes to the data without being aware of their wider implications. In this paper we show that distorting images without accounting for the artefacts introduced leads to biased results when establishing occlusion robustness. To ensure models behave as expected in real-world scenarios, we need to rule out the impact added artefacts have on evaluation. We propose a new approach, iOcclusion, as a fairer alternative for applications where the possible occluders are unknown.
Abstract（参考訳）: 過去数年間、データの重要な役割は、その分野がアーキテクチャとトレーニング手順に焦点を合わせていることにほとんど影を落としてきた。私たちはしばしば、より広い意味を知らずに、データの変更を引き起こします。本稿では,導入したアーティファクトを考慮せずに画像の歪みが咬合のロバスト性を確立する際に偏りを生じさせることを示す。モデルが現実のシナリオで期待通りに振る舞うようにするためには、評価に付加された成果物が与える影響を除外する必要があります。我々は,オクローダが未知のアプリケーションに対して,より公平な代替手段として,新しいアプローチiOcclusionを提案する。

関連論文リスト

Conformal Prediction for Federated Graph Neural Networks with Missing Neighbor Information [2.404163279345609]
本研究は,連合グラフ学習へのコンフォーマル予測の適用性を拡張した。分散サブグラフにおけるリンク不足問題に対処し、CPセットサイズに対する悪影響を最小限に抑える。本稿では,欠落したデータに対する負の影響を軽減するために,変分オートエンコーダに基づく近隣住民の再構築手法を提案する。
論文参考訳（メタデータ） (2024-10-17T20:22:25Z)
Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。また,有効で堅牢な後処理技術であるBias Pruning with Fair Activations (BPFA)も提案する。
論文参考訳（メタデータ） (2024-07-19T14:53:18Z)
Visual Privacy Auditing with Diffusion Models [52.866433097406656]
本稿では,拡散モデル(DM)に基づくリコンストラクション攻撃を提案する。本研究では,(1)実世界のデータ漏洩が再建の成功に大きく影響すること,(2)現在のリビルド境界がデータ先行によるリスクをうまくモデル化していないこと,(3)DMは,プライバシー漏洩を可視化するための効果的な監査ツールとして機能すること,を示す。
論文参考訳（メタデータ） (2024-03-12T12:18:55Z)
Towards Robust Aspect-based Sentiment Analysis through Non-counterfactual Augmentations [40.71705332298682]
非事実的データ拡張に依存する代替手法を提案する。我々のアプローチはさらにABSAロバストネスベンチマークの新たな最先端を確立し、ドメイン間でうまく転送する。
論文参考訳（メタデータ） (2023-06-24T13:57:32Z)
Fair mapping [0.0]
本稿では,保護されたグループの分布を選択対象に変換した新しい前処理手法を提案する。我々はWasserstein GANおよびAttGANフレームワークの最近の成果を活用し、最適なデータポイントの転送を実現する。提案手法は、データの解釈可能性を維持し、センシティブなグループを正確に定義することなく使用することができる。
論文参考訳（メタデータ） (2022-09-01T17:31:27Z)
Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。両手法の有効性とロバスト性を実証的に示す。我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
論文参考訳（メタデータ） (2022-05-12T17:03:57Z)
Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文参考訳（メタデータ） (2022-03-29T07:14:58Z)
On the Effects of Data Distortion on Model Analysis and Training [0.7832189413179361]
データ修正は人工情報を導入することができる。結果として得られる成果物は、モデルを分析する際に無視できる一方で、トレーニングに有害であると仮定されることがしばしばある。これらの仮定を調査し、いくつかのケースでは、それらが根拠がなく、誤った結果をもたらすと結論付ける。
論文参考訳（メタデータ） (2021-10-26T19:10:25Z)
Identification of Latent Variables From Graphical Model Residuals [0.0]
本稿では,推定モデルの残差から遅延空間のプロキシを反復的に導出することにより,DAGを推定する際に潜伏空間を制御する新しい手法を提案する。結果の予測の改善は本質的にカプセル化されており,既成モデルと比較して一定の限界を超えないことを示す。
論文参考訳（メタデータ） (2021-01-07T02:28:49Z)
Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文参考訳（メタデータ） (2020-09-30T05:29:01Z)
Robust RGB-based 6-DoF Pose Estimation without Real Pose Annotations [92.5075742765229]
そこで本研究では,実際のポーズアノテーションを使わずに,課題条件下での6-DoFのポーズを頑健かつ正確に推定する手法を提案する。 LINEMOD と OccludedLINEMOD を実地設定なしで実現し、Occluded-LINEMOD のトレーニング中に実際のアノテーションに依存する方法よりも優れています。
論文参考訳（メタデータ） (2020-08-19T12:07:01Z)

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。