論文の概要: Enhancing object detection robustness: A synthetic and natural perturbation approach

• arxiv url: http://arxiv.org/abs/2304.10622v1
• Date: Thu, 20 Apr 2023 19:55:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-24 16:46:19.396349
• Title: Enhancing object detection robustness: A synthetic and natural perturbation approach
• Title（参考訳）: 物体検出の堅牢性を高める:合成と自然摂動アプローチ
• Authors: Nilantha Premakumara, Brian Jalaian, Niranjan Suri and Hooman Samani
• Abstract要約: 実世界の分散シフトに対するロバスト性は、実用アプリケーションにおけるオブジェクト検出モデルの展開の成功に不可欠である。 我々はCOCO 2017データセットとExDarkデータセットを用いて、最先端の4つのディープニューラルネットワークモデル、Detr-ResNet-101、Detr-ResNet-50、YOLOv4、YOLOv4-tinyを分析した。 本研究は, 物体検出モデルの性能に及ぼす合成摂動の影響を定量的に評価する。
• 参考スコア（独自算出の注目度）: 2.5337932872891202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robustness against real-world distribution shifts is crucial for the successful deployment of object detection models in practical applications. In this paper, we address the problem of assessing and enhancing the robustness of object detection models against natural perturbations, such as varying lighting conditions, blur, and brightness. We analyze four state-of-the-art deep neural network models, Detr-ResNet-101, Detr-ResNet-50, YOLOv4, and YOLOv4-tiny, using the COCO 2017 dataset and ExDark dataset. By simulating synthetic perturbations with the AugLy package, we systematically explore the optimal level of synthetic perturbation required to improve the models robustness through data augmentation techniques. Our comprehensive ablation study meticulously evaluates the impact of synthetic perturbations on object detection models performance against real-world distribution shifts, establishing a tangible connection between synthetic augmentation and real-world robustness. Our findings not only substantiate the effectiveness of synthetic perturbations in improving model robustness, but also provide valuable insights for researchers and practitioners in developing more robust and reliable object detection models tailored for real-world applications.
• Abstract（参考訳）: 実世界の分散シフトに対するロバスト性は、実用アプリケーションにおけるオブジェクト検出モデルの展開の成功に不可欠である。 本稿では,照明条件やぼかし,明るさの変動など,自然摂動に対する物体検出モデルのロバスト性を評価し,拡張する問題に対処する。 coco 2017データセットとexdarkデータセットを用いて,最先端のニューラルネットワークモデルであるdetr-resnet-101,detr-resnet-50,yolov4,yolov4-tinyを解析した。 合成摂動をAugLyパッケージでシミュレートすることにより,データ拡張技術によるモデル堅牢性向上に必要な合成摂動の最適レベルを体系的に検討する。 総合的アブレーション研究は, 物体検出モデルの性能に及ぼす合成摂動の影響を微妙に評価し, 合成加重と実世界のロバスト性との明確な関係を確立する。 本研究は,モデルロバスト性向上における合成摂動の有効性を実証するだけでなく,より堅牢で信頼性の高い物体検出モデルを開発する研究者や実践者に有用な知見を与えるものである。

関連論文リスト

• Soft Segmented Randomization: Enhancing Domain Generalization in SAR-ATR for Synthetic-to-Measured [4.089756319249042]
  ドメインの差を小さくし、自動目標認識モデルを一般化する能力を向上させるために設計された,新しいフレームワークであるソフトセグメントランダム化を導入する。 実験により,提案したソフトセグメントランダム化フレームワークは,測定された合成開口レーダデータに対するモデル性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-09-21T08:24:51Z)
• Unveiling the Flaws: Exploring Imperfections in Synthetic Data and Mitigation Strategies for Large Language Models [89.88010750772413]
  大規模言語モデル(LLM)の学習における高品質なデータ不足問題に対する解決法として,合成データを提案する。 我々の研究は、Q-A(Q-A)ペア、一般的な合成データに関連するこれらの特定の欠陥を掘り下げ、これらの欠陥を軽減するための未学習技術に基づく方法を提案する。 我々の研究は、より堅牢で効率的なLLMトレーニングを促進することを目的として、合成データの効果的な利用に関する重要な洞察を得た。
  論文  参考訳（メタデータ） (2024-06-18T08:38:59Z)
• Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
  視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。 しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。 様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:44Z)
• Precision and Adaptability of YOLOv5 and YOLOv8 in Dynamic Robotic Environments [0.0]
  本研究は, YOLOv5モデルとYOLOv8モデルの比較分析を行った。 初期の期待とは対照的に、YOLOv5モデルは同等で、場合によってはオブジェクト検出タスクの精度が優れていた。
  論文  参考訳（メタデータ） (2024-06-01T06:17:43Z)
• Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
  AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。 合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
  論文  参考訳（メタデータ） (2024-04-11T06:34:17Z)
• Derm-T2IM: Harnessing Synthetic Skin Lesion Data via Stable Diffusion Models for Enhanced Skin Disease Classification using ViT and CNN [1.0499611180329804]
  我々は、最近の数発学習の成功を拡大して、拡張されたデータ変換技術を統合することを目指している。 最先端機械学習モデルのトレーニングパイプラインに新たに生成された合成データを組み込むことによる影響について検討する。
  論文  参考訳（メタデータ） (2024-01-10T13:46:03Z)
• End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
  剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
  論文  参考訳（メタデータ） (2022-05-27T07:39:28Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)
• Synthetic Data and Hierarchical Object Detection in Overhead Imagery [0.0]
  衛星画像における低・ゼロサンプル学習を向上させるための新しい合成データ生成および拡張技術を開発した。 合成画像の有効性を検証するために,検出モデルと2段階モデルの訓練を行い,実際の衛星画像上で得られたモデルを評価する。
  論文  参考訳（メタデータ） (2021-01-29T22:52:47Z)
• Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
  コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。 最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。 しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。 本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
  論文  参考訳（メタデータ） (2021-01-18T03:24:48Z)
• Bridging Mode Connectivity in Loss Landscapes and Adversarial Robustness [97.67477497115163]
  我々は、モード接続を用いて、ディープニューラルネットワークの対角的堅牢性を研究する。 実験では、異なるネットワークアーキテクチャやデータセットに適用される様々な種類の敵攻撃について取り上げる。 以上の結果から,モード接続は,敵の強靭性を評価・改善するための総合的なツールであり,実用的な手段であることが示唆された。
  論文  参考訳（メタデータ） (2020-04-30T19:12:50Z)

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。