論文の概要: A Survey on the Robustness of Computer Vision Models against Common Corruptions

• arxiv url: http://arxiv.org/abs/2305.06024v4
• Date: Sat, 14 Sep 2024 21:47:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 03:58:31.677422
• Title: A Survey on the Robustness of Computer Vision Models against Common Corruptions
• Title（参考訳）: コンピュータビジョンモデルの共用破壊に対するロバスト性に関する調査
• Authors: Shunxin Wang, Raymond Veldhuis, Christoph Brune, Nicola Strisciuglio,
• Abstract要約: コンピュータビジョンモデルは、センサーエラーや極端な撮像環境に起因する入力画像の変化に影響を受けやすい。 これらの破損は、現実のシナリオにデプロイする際のモデルの信頼性を著しく損なう可能性がある。 本稿では,コンピュータビジョンモデルの汎用汚職に対する堅牢性を改善する手法について概観する。
• 参考スコア（独自算出の注目度）: 3.6486148851646063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The performance of computer vision models are susceptible to unexpected changes in input images caused by sensor errors or extreme imaging environments, known as common corruptions (e.g. noise, blur, illumination changes). These corruptions can significantly hinder the reliability of these models when deployed in real-world scenarios, yet they are often overlooked when testing model generalization and robustness. In this survey, we present a comprehensive overview of methods that improve the robustness of computer vision models against common corruptions. We categorize methods into three groups based on the model components and training methods they target: data augmentation, learning strategies, and network components. We release a unified benchmark framework (available at \url{https://github.com/nis-research/CorruptionBenchCV}) to compare robustness performance across several datasets, and we address the inconsistencies of evaluation practices in the literature. Our experimental analysis highlights the base corruption robustness of popular vision backbones, revealing that corruption robustness does not necessarily scale with model size and data size. Large models gain negligible robustness improvements, considering the increased computational requirements. To achieve generalizable and robust computer vision models, we foresee the need of developing new learning strategies that efficiently exploit limited data and mitigate unreliable learning behaviors.
• Abstract（参考訳）: コンピュータビジョンモデルの性能は、センサエラーによる入力画像の予期せぬ変化や、一般的な汚職(例えばノイズ、ぼかし、照明の変更)と呼ばれる極端な撮像環境の影響を受けやすい。 これらの破損は、現実のシナリオにデプロイする際のモデルの信頼性を著しく損なう可能性があるが、モデルの一般化と堅牢性をテストする場合、しばしば見過ごされる。 本稿では,コンピュータビジョンモデルの汎用汚職に対する堅牢性を改善する手法について概説する。 データ拡張,学習戦略,ネットワークコンポーネントといった,対象とするモデルコンポーネントとトレーニング手法に基づいて,メソッドを3つのグループに分類する。 我々は,複数のデータセット間の堅牢性性能を比較するために,統一ベンチマークフレームワーク( \url{https://github.com/nis-research/CorruptionBenchCV}で利用可能)をリリースし,文献における評価プラクティスの不整合に対処する。 我々の実験的分析は、一般的な視覚バックボーンの基部破壊の堅牢性を強調し、破壊の堅牢性はモデルサイズやデータサイズとともに必ずしもスケールしないことを示した。 大規模モデルは、計算要求の増加を考慮すると、無視できる堅牢性の改善が得られる。 汎用的で堅牢なコンピュータビジョンモデルを実現するためには、限られたデータを効率的に活用し、信頼できない学習行動を緩和する新しい学習戦略を開発する必要がある。

関連論文リスト

• PoseBench: Benchmarking the Robustness of Pose Estimation Models under Corruptions [57.871692507044344]
  ポース推定は、単眼画像を用いて人や動物の解剖学的キーポイントを正確に同定することを目的としている。 現在のモデルは一般的に、クリーンなデータに基づいてトレーニングされ、テストされる。 実世界の腐敗に対するポーズ推定モデルの堅牢性を評価するためのベンチマークであるPoseBenchを紹介する。
  論文  参考訳（メタデータ） (2024-06-20T14:40:17Z)
• RobustCLEVR: A Benchmark and Framework for Evaluating Robustness in Object-centric Learning [9.308581290987783]
  本稿では,RobustCLEVRベンチマークデータセットと評価フレームワークを提案する。 我々のフレームワークは、因果依存性の仕様化を可能にすることによって、ロバスト性を評価するための新しいアプローチを採っている。 全体として、オブジェクト中心の手法は本質的に画像の破損に対して堅牢ではないことが分かる。
  論文  参考訳（メタデータ） (2023-08-28T20:52:18Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Frequency-Based Vulnerability Analysis of Deep Learning Models against Image Corruptions [48.34142457385199]
  MUFIAは、モデルが失敗する可能性のある特定の種類の汚職を特定するために設計されたアルゴリズムである。 最先端のモデルでさえ、既知の一般的な汚職に対して堅牢であるように訓練されたモデルでさえ、MUFIAによって作られた低視認性ベースの汚職と戦っている。
  論文  参考訳（メタデータ） (2023-06-12T15:19:13Z)
• Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
  我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。 気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。 本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T17:59:17Z)
• A Comprehensive Study on Robustness of Image Classification Models: Benchmarking and Rethinking [54.89987482509155]
  ディープニューラルネットワークのロバスト性は、通常、敵の例、共通の腐敗、分散シフトに欠けている。 画像分類タスクにおいてtextbfARES-Bench と呼ばれる総合的なベンチマークロバスト性を確立する。 それに応じてトレーニング設定を設計することにより、新しい最先端の対人ロバスト性を実現する。
  論文  参考訳（メタデータ） (2023-02-28T04:26:20Z)
• Robustness in Deep Learning for Computer Vision: Mind the gap? [13.576376492050185]
  我々は、コンピュータビジョンのためのディープラーニングにおいて、現在の定義と非敵対的堅牢性に向けての進歩を特定し、分析し、要約する。 この研究の分野は、敵対的機械学習に対して、不当にあまり注目されていないことがわかりました。
  論文  参考訳（メタデータ） (2021-12-01T16:42:38Z)
• Benchmarking the Robustness of Spatial-Temporal Models Against Corruptions [32.821121530785504]
  我々は、画像の空間的腐敗を超えた時間的腐敗を考慮した、汚職堅牢性ベンチマーク、Mini Kinetics-CとMini SSV2-Cを確立する。 我々は、確立されたCNNベースおよびトランスフォーマーベースの時空間時間モデルにおける破壊堅牢性に関する徹底的な研究を行うための最初の試みを行う。
  論文  参考訳（メタデータ） (2021-10-13T05:59:39Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)

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。