Fugu-MT 論文翻訳(概要): Hamming Similarity and Graph Laplacians for Class Partitioning and Adversarial Image Detection

論文の概要: Hamming Similarity and Graph Laplacians for Class Partitioning and Adversarial Image Detection

arxiv url: http://arxiv.org/abs/2305.01808v1
Date: Tue, 2 May 2023 22:16:15 GMT
ステータス: 処理完了
システム内更新日: 2023-05-04 16:31:33.159045
Title: Hamming Similarity and Graph Laplacians for Class Partitioning and Adversarial Image Detection
Title（参考訳）: クラス分割と逆画像検出のためのハミング類似性とグラフラプラシアン
Authors: Huma Jamil, Yajing Liu, Turgay Caglar, Christina Cole, Nathaniel Blanchard, Christopher Peterson, Michael Kirby
Abstract要約: ニューラルネットワークの動作の理解と解釈を支援するために,ReLUアクティベーションパターン(ビットベクトルとして符号化)の可能性を検討する。本稿では、Representational Dissimilarity Matrices(RDM)を用いて、ディープニューラルネットワークの埋め込み空間におけるデータのコヒーレンスについて検討する。我々は,ビットベクトルが逆画像検出に役立ち,逆画像と非逆画像の分離において95%以上の精度を達成できることを実証した。
参考スコア（独自算出の注目度）: 2.960821510561423
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Researchers typically investigate neural network representations by examining activation outputs for one or more layers of a network. Here, we investigate the potential for ReLU activation patterns (encoded as bit vectors) to aid in understanding and interpreting the behavior of neural networks. We utilize Representational Dissimilarity Matrices (RDMs) to investigate the coherence of data within the embedding spaces of a deep neural network. From each layer of a network, we extract and utilize bit vectors to construct similarity scores between images. From these similarity scores, we build a similarity matrix for a collection of images drawn from 2 classes. We then apply Fiedler partitioning to the associated Laplacian matrix to separate the classes. Our results indicate, through bit vector representations, that the network continues to refine class detectability with the last ReLU layer achieving better than 95\% separation accuracy. Additionally, we demonstrate that bit vectors aid in adversarial image detection, again achieving over 95\% accuracy in separating adversarial and non-adversarial images using a simple classifier.
Abstract（参考訳）: 研究者は通常、ネットワークの1層以上のレイヤのアクティベーション出力を調べることによって、ニューラルネットワークの表現を調べる。本稿では,reluアクティベーションパターン(ビットベクトルとしてコード化)の可能性を検証し,ニューラルネットワークの動作の理解と解釈を支援する。本研究では,深層ニューラルネットワークの埋め込み空間におけるデータのコヒーレンスを調べるために,rdms(representational dis similarity matrices)を用いた。ネットワークの各層から,画像間の類似度スコアを構成するビットベクトルを抽出・活用する。これらの類似度スコアから、2つのクラスから引き出された画像の集合に対する類似度行列を構築する。次に、フィドラー分割を関連するラプラシア行列に適用してクラスを分離する。その結果、ビットベクトル表現により、ネットワークは最後のReLU層を用いてクラス検出性を改善し続け、95%以上の分離精度を実現した。さらに,ビットベクトルは逆画像検出に役立ち,逆画像と非逆画像とを単純な分類器で分離する際の95%以上の精度を実現する。

関連論文リスト

Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文参考訳（メタデータ） (2023-08-28T12:55:13Z)
Extracting Semantic Knowledge from GANs with Unsupervised Learning [65.32631025780631]
GAN(Generative Adversarial Networks)は、特徴写像のセマンティクスを線形に分離可能な形でエンコードする。本稿では,線形分離性を利用してGANの特徴をクラスタリングする新しいクラスタリングアルゴリズムKLiSHを提案する。 KLiSHは、さまざまなオブジェクトのデータセットに基づいてトレーニングされたGANのきめ細かいセマンティクスの抽出に成功している。
論文参考訳（メタデータ） (2022-11-30T03:18:16Z)
Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文参考訳（メタデータ） (2022-06-17T04:07:45Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文参考訳（メタデータ） (2022-01-15T01:54:25Z)
Similarity and Matching of Neural Network Representations [0.0]
我々は、深層ニューラルネットワークにおける表現の類似性を分析するために、Frankenstein博士と呼ばれるツールセットを使用します。我々は、2つのトレーニングニューラルネットワークの与えられた層上でのアクティベーションを、縫合層で結合することで一致させることを目指している。
論文参考訳（メタデータ） (2021-10-27T17:59:46Z)
Experience feedback using Representation Learning for Few-Shot Object Detection on Aerial Images [2.8560476609689185]
大規模なリモートセンシング画像データセットであるDOTAを用いて,本手法の性能評価を行った。特に、数発のオブジェクト検出タスクの固有の弱点を強調します。
論文参考訳（メタデータ） (2021-09-27T13:04:53Z)
HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文参考訳（メタデータ） (2021-06-13T18:55:23Z)
A new approach to descriptors generation for image retrieval by analyzing activations of deep neural network layers [43.77224853200986]
本稿では,ディープニューラルネットワークを用いたコンテンツベース画像検索作業における記述子構築の問題点について考察する。ネットワークの畳み込み部分のニューロンの総数は多く、その大部分が最終分類決定にほとんど影響を与えないことが知られている。本稿では,最も重要なニューロン活性化を抽出し,その情報を利用して効果的な記述子を構築する新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-13T18:53:10Z)
CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。