論文の概要: Lateralized Learning for Multi-Class Visual Classification Tasks

• arxiv url: http://arxiv.org/abs/2301.12637v1
• Date: Mon, 30 Jan 2023 03:42:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 15:54:25.936853
• Title: Lateralized Learning for Multi-Class Visual Classification Tasks
• Title（参考訳）: 複数クラス視覚分類課題に対する横型学習
• Authors: Abubakar Siddique, Will N. Browne, Gina M. Grimshaw
• Abstract要約: コンピュータビジョンアルゴリズムは画像の高次パターンを見つけることができず、人間の横方向の視覚とは異なり、敵の攻撃に対して堅牢ではない。 深層学習は、各入力ピクセルを均質な方法で考慮し、局所性に敏感なハッシュテーブルの異なる部分が接続されていないことが多い。 脊椎動物の脳は 側面化を通じて 異種知識を表現できる 異なる抽象レベルで モジュラー学習を可能にする
• 参考スコア（独自算出の注目度）: 0.17188280334580192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The majority of computer vision algorithms fail to find higher-order (abstract) patterns in an image so are not robust against adversarial attacks, unlike human lateralized vision. Deep learning considers each input pixel in a homogeneous manner such that different parts of a ``locality-sensitive hashing table'' are often not connected, meaning higher-order patterns are not discovered. Hence these systems are not robust against noisy, irrelevant, and redundant data, resulting in the wrong prediction being made with high confidence. Conversely, vertebrate brains afford heterogeneous knowledge representation through lateralization, enabling modular learning at different levels of abstraction. This work aims to verify the effectiveness, scalability, and robustness of a lateralized approach to real-world problems that contain noisy, irrelevant, and redundant data. The experimental results of multi-class (200 classes) image classification show that the novel system effectively learns knowledge representation at multiple levels of abstraction making it more robust than other state-of-the-art techniques. Crucially, the novel lateralized system outperformed all the state-of-the-art deep learning-based systems for the classification of normal and adversarial images by 19.05% - 41.02% and 1.36% - 49.22%, respectively. Findings demonstrate the value of heterogeneous and lateralized learning for computer vision applications.
• Abstract（参考訳）: コンピュータビジョンアルゴリズムの大部分は、画像に高次(抽象)パターンを見つけることができないため、人間の横方向の視覚とは異なり、敵対的な攻撃に対して頑健ではない。 深層学習は、各入力ピクセルを「ローカル感応ハッシュテーブル」の異なる部分が接続されていない場合が多く、高次パターンが発見されないような均質な方法で考える。 したがって、これらのシステムは、ノイズ、無関係、冗長なデータに対して堅牢ではないため、誤った予測を高い信頼性で行ないます。 逆に脊椎動物の脳は、側面化を通じて異質な知識を表現でき、異なる抽象レベルでモジュラー学習を可能にする。 この研究は、ノイズ、無関係、冗長なデータを含む現実世界の問題に対する横型アプローチの有効性、拡張性、堅牢性を検証することを目的としている。 複数クラス (200 クラス) の画像分類実験の結果, 新たなシステムは, 知識表現を抽象化レベルで効果的に学習し, 他の最先端技術よりも頑健であることがわかった。 重要な点として、新しい横型システムは、通常画像と敵画像の分類において、最先端のディープラーニングシステムをすべて上回っており、それぞれ19.05%41.02%と1.36%と49.22%であった。 コンピュータビジョン応用における異種・横型学習の価値を示す。

関連論文リスト

• Classes Are Not Equal: An Empirical Study on Image Recognition Fairness [100.36114135663836]
  我々は,クラスが等しくないことを実験的に証明し,様々なデータセットにまたがる画像分類モデルにおいて,公平性の問題が顕著であることを示した。 以上の結果から,モデルでは認識が困難であるクラスに対して,予測バイアスが大きくなる傾向が示唆された。 データ拡張および表現学習アルゴリズムは、画像分類のある程度の公平性を促進することにより、全体的なパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-02-28T07:54:50Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• URLOST: Unsupervised Representation Learning without Stationarity or Topology [26.17135629579595]
  定常性やトポロジに欠ける高次元データから学習する新しいフレームワークを提案する。 我々のモデルは学習可能な自己組織化層、密度調整されたスペクトルクラスタリング、マスク付きオートエンコーダを組み合わせる。 本研究は,生体視覚データ,一次視覚野からの神経記録,遺伝子発現データセットにおいて有効性を評価する。
  論文  参考訳（メタデータ） (2023-10-06T18:00:02Z)
• A Black-Box Attack on Optical Character Recognition Systems [0.0]
  敵対的機械学習は、ディープラーニングモデルの脆弱性を示す新興分野である。 本稿では,バイナリ画像分類器上での効果的なコンビネータブラックボックス攻撃法を提案する。 2つの異なるデータセットと3つの分類ネットワーク上での攻撃手法の有効性を検証し,その性能を実証した。
  論文  参考訳（メタデータ） (2022-08-30T14:36:27Z)
• Hybrid Optimized Deep Convolution Neural Network based Learning Model for Object Detection [0.0]
  物体の識別はコンピュータビジョンにおける最も基本的で難しい問題の1つである。 近年,ディープラーニングに基づく物体検出技術が大衆の関心を集めている。 本研究では,自律型物体検出システムを構築するために,独自のディープラーニング分類手法を用いる。 提案するフレームワークは検出精度0.9864であり、現在の技術よりも高い。
  論文  参考訳（メタデータ） (2022-03-02T04:39:37Z)
• This is not the Texture you are looking for! Introducing Novel Counterfactual Explanations for Non-Experts using Generative Adversarial Learning [59.17685450892182]
  反実用説明システムは、入力画像を変更して反実用推論を可能にする。 本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。 その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2020-12-22T10:08:05Z)
• Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
  データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。 Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。 実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-11-21T19:08:23Z)
• Hard Negative Mixing for Contrastive Learning [29.91220669060252]
  我々は、コントラスト学習の重要な側面、すなわちハードネガティブの影響は、これまで無視されてきたと論じている。 計算オーバーヘッドを最小限に抑えながら、オンザフライで計算できる機能レベルでのハードネガティブな混合戦略を提案する。
  論文  参考訳（メタデータ） (2020-10-02T14:34:58Z)
• Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
  本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。 具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
  論文  参考訳（メタデータ） (2020-07-19T07:24:45Z)
• Supervision and Source Domain Impact on Representation Learning: A Histopathology Case Study [6.762603053858596]
  本研究では,表現学習領域におけるディープニューラルネットワークの性能と三重項損失について検討した。 病理画像の類似性や相違性について検討し,教師なし,半教師なし,教師付き学習との違いを比較した。 学習した表現を2つの異なる病理データセットに適用し,高い精度と一般化を実現した。
  論文  参考訳（メタデータ） (2020-05-10T21:27:38Z)
• Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
  コントラスト学習は教師なし表現学習に革命をもたらした。 現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。 本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-04-14T16:29:42Z)

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。