論文の概要: Recognizing Object by Components with Human Prior Knowledge Enhances Adversarial Robustness of Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2212.01806v1
• Date: Sun, 4 Dec 2022 12:09:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-12-06 15:10:06.173304
• Title: Recognizing Object by Components with Human Prior Knowledge Enhances Adversarial Robustness of Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークの逆ロバスト性を高める人間の事前知識を持つ要素による物体認識
• Authors: Xiao Li, Ziqi Wang, Bo Zhang, Fuchun Sun, Xiaolin Hu
• Abstract要約: 敵対的攻撃はディープニューラルネットワーク(DNN)に基づく物体認識システムを簡単に騙すことができる ロックは、様々な攻撃設定における古典的な認識モデルよりも堅牢性を示している。
• 参考スコア（独自算出の注目度）: 37.90467027955477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversarial attacks can easily fool object recognition systems based on deep neural networks (DNNs). Although many defense methods have been proposed in recent years, most of them can still be adaptively evaded. One reason for the weak adversarial robustness may be that DNNs are only supervised by category labels and do not have part-based inductive bias like the recognition process of humans. Inspired by a well-known theory in cognitive psychology -- recognition-by-components, we propose a novel object recognition model ROCK (Recognizing Object by Components with human prior Knowledge). It first segments parts of objects from images, then scores part segmentation results with predefined human prior knowledge, and finally outputs prediction based on the scores. The first stage of ROCK corresponds to the process of decomposing objects into parts in human vision. The second stage corresponds to the decision process of the human brain. ROCK shows better robustness than classical recognition models across various attack settings. These results encourage researchers to rethink the rationality of currently widely-used DNN-based object recognition models and explore the potential of part-based models, once important but recently ignored, for improving robustness.
• Abstract（参考訳）: 敵対的攻撃はディープニューラルネットワーク(DNN)に基づくオブジェクト認識システムを簡単に騙すことができる。 近年,多くの防御方法が提案されているが,そのほとんどは適応的に回避可能である。 敵対的堅牢性の弱い理由の1つは、DNNがカテゴリーラベルによってのみ監督され、人間の認識プロセスのような部分ベースの帰納バイアスを持たないことである。 認知心理学においてよく知られた理論である認知関連概念に触発され,新しい物体認識モデル ROCK (Recognizing Object by Components with Human prior Knowledge) を提案する。 画像からオブジェクトの一部を分割し、事前に定義された人間の事前知識で部分分割結果をスコアし、最後にスコアに基づいて予測を出力する。 ROCKの第1段階は、物体を人間の視覚の一部に分解する過程に対応する。 第2段階は人間の脳の決定過程に対応する。 ROCKは、様々な攻撃設定における古典的な認識モデルよりも堅牢性が高い。 これらの結果は、現在広く使われているDNNベースのオブジェクト認識モデルの合理性を再考し、頑健性を改善するために、かつて重要で最近無視された部分ベースモデルの可能性を探ることを促す。

関連論文リスト

• Object Recognition in Different Lighting Conditions at Various Angles by Deep Learning Method [0.0]
  既存のコンピュータビジョンとオブジェクト検出方法は、ニューラルネットワークとディープラーニングに依存している。 本稿では,検出されたボックスの位置に基づいて,さまざまなオブジェクトの名称を分類することを目的とする。 このモデルの精度は,物体の比率やサンプル数に大きく影響されている。
  論文  参考訳（メタデータ） (2022-10-18T06:23:26Z)
• Bongard-HOI: Benchmarking Few-Shot Visual Reasoning for Human-Object Interactions [138.49522643425334]
  Bongard-HOIは、自然画像からの人間と物体の相互作用の合成学習に焦点を当てた、新しい視覚的推論ベンチマークである。 古典的ボナード問題(BP)の2つの望ましい特徴に着想を得たものである。 Bongard-HOIは、今日の視覚認識モデルに重大な課題を提示している。
  論文  参考訳（メタデータ） (2022-05-27T07:36:29Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Do DNNs trained on Natural Images acquire Gestalt Properties? [0.6091702876917281]
  人間の視覚の魅力的なモデルとして、自然画像に基づいて訓練されたディープニューラルネットワーク(DNN)が提案されている。 差別判断において人間とDNNの反応を比較した。 その結果, 自然画像に基づいてトレーニングしたネットワークは, 分類の最終段階において, 形状に敏感であることがわかった。
  論文  参考訳（メタデータ） (2022-03-14T17:06:11Z)
• HAKE: A Knowledge Engine Foundation for Human Activity Understanding [65.24064718649046]
  人間の活動理解は人工知能に広く興味を持ち、医療や行動分析といった多様な応用にまたがっている。 本稿では,この課題を2段階にまとめた新しいパラダイムを提案する。まず,原子活動プリミティブを対象とする中間空間に画素をマッピングし,解釈可能な論理規則で検出されたプリミティブをプログラムして意味論を推論する。 我々のフレームワークであるHAKE(Human Activity Knowledge Engine)は、挑戦的なベンチマークよりも優れた一般化能力と性能を示す。
  論文  参考訳（メタデータ） (2022-02-14T16:38:31Z)
• Modeling Object Recognition in Newborn Chicks using Deep Neural Networks [0.0]
  本研究では, 教師なし学習アルゴリズムを用いて, 新生ニワトリの視差不変物体認識行動を予測できることを示す。 制御領域の研究と画像計算可能なDNNモデルとのリンクは、新生児における物体認識の起源と計算的基礎を研究するための新たな実験の道を開くことを論じる。
  論文  参考訳（メタデータ） (2021-06-14T06:24:49Z)
• Human-Understandable Decision Making for Visual Recognition [30.30163407674527]
  モデル学習プロセスに人間の知覚の優先順位を組み込むことにより,深層ニューラルネットワークを訓練する新たなフレームワークを提案する。 提案モデルの有効性を2つの古典的視覚認識タスクで評価する。
  論文  参考訳（メタデータ） (2021-03-05T02:07:33Z)
• Seeing eye-to-eye? A comparison of object recognition performance in humans and deep convolutional neural networks under image manipulation [0.0]
  本研究では,ヒトとフィードフォワードニューラルネットワークの視覚コア物体認識性能の行動比較を目的とした。 精度分析の結果、人間はDCNNを全ての条件で上回るだけでなく、形状や色の変化に対する強い堅牢性も示している。
  論文  参考訳（メタデータ） (2020-07-13T10:26:30Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)
• Learning Human-Object Interaction Detection using Interaction Points [140.0200950601552]
  本研究では,人間と物体の相互作用を直接検出する新しい完全畳み込み手法を提案する。 我々のネットワークは相互作用点を予測し、その相互作用を直接ローカライズし、分類する。 V-COCOとHICO-DETの2つの人気のあるベンチマークで実験が行われる。
  論文  参考訳（メタデータ） (2020-03-31T08:42:06Z)

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。