Fugu-MT 論文翻訳(概要): Impact of Light and Shadow on Robustness of Deep Neural Networks

論文の概要: Impact of Light and Shadow on Robustness of Deep Neural Networks

arxiv url: http://arxiv.org/abs/2305.14165v1
Date: Tue, 23 May 2023 15:30:56 GMT
ステータス: 処理完了
システム内更新日: 2023-05-24 15:13:01.994084
Title: Impact of Light and Shadow on Robustness of Deep Neural Networks
Title（参考訳）: 深層ニューラルネットワークのロバスト性に及ぼす光と影の影響
Authors: Chengyin Hu, Weiwen Shi, Chao Li, Jialiang Sun, Donghua Wang, Junqi Wu, Guijian Tang
Abstract要約: ディープニューラルネットワーク(DNN)は、画像分類、セグメンテーション、オブジェクト検出など、様々なコンピュータビジョンタスクにおいて顕著な進歩を遂げている。近年の研究では、敵攻撃として知られる入力データの故意な操作に直面した先進的なDNNの脆弱性が明らかにされている。我々は,イメージネットのサブセット内に,各画像に対して24種類の輝度レベルを組み込んだ輝度変化データセットを提案する。
参考スコア（独自算出の注目度）: 5.015796849425367
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep neural networks (DNNs) have made remarkable strides in various computer vision tasks, including image classification, segmentation, and object detection. However, recent research has revealed a vulnerability in advanced DNNs when faced with deliberate manipulations of input data, known as adversarial attacks. Moreover, the accuracy of DNNs is heavily influenced by the distribution of the training dataset. Distortions or perturbations in the color space of input images can introduce out-of-distribution data, resulting in misclassification. In this work, we propose a brightness-variation dataset, which incorporates 24 distinct brightness levels for each image within a subset of ImageNet. This dataset enables us to simulate the effects of light and shadow on the images, so as is to investigate the impact of light and shadow on the performance of DNNs. In our study, we conduct experiments using several state-of-the-art DNN architectures on the aforementioned dataset. Through our analysis, we discover a noteworthy positive correlation between the brightness levels and the loss of accuracy in DNNs. Furthermore, we assess the effectiveness of recently proposed robust training techniques and strategies, including AugMix, Revisit, and Free Normalizer, using the ResNet50 architecture on our brightness-variation dataset. Our experimental results demonstrate that these techniques can enhance the robustness of DNNs against brightness variation, leading to improved performance when dealing with images exhibiting varying brightness levels.
Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、画像分類、セグメンテーション、オブジェクト検出など、様々なコンピュータビジョンタスクにおいて顕著な進歩を遂げている。しかし、最近の研究では、敵攻撃として知られる入力データの故意な操作に直面した先進的なDNNの脆弱性が明らかにされている。さらに、DNNの精度はトレーニングデータセットの分布に大きく影響される。入力画像の色空間における歪みや摂動は、分散データを導入し、誤った分類をもたらす。本研究では,イメージネットのサブセット内に,各画像に対して24種類の輝度レベルを組み込んだ輝度変化データセットを提案する。このデータセットは、画像に対する光と影の効果をシミュレートできるので、dnnの性能に対する光と影の影響を調べることができる。本研究では,先述したデータセット上で,最先端のDNNアーキテクチャを用いて実験を行う。分析の結果,DNNの明るさレベルと精度の低下との間に有意な正の相関が認められた。さらに,最近提案しているaugmix,revisit,free normalizerなどのロバストなトレーニング手法の有効性を,輝度変動データセットのresnet50アーキテクチャを用いて評価した。実験の結果,これらの技術はDNNの輝度変化に対する堅牢性を向上し,輝度レベルの異なる画像を扱う場合の性能向上につながることが示された。

関連論文リスト

Improving Neural Surface Reconstruction with Feature Priors from Multi-View Image [87.00660347447494]
ニューラルサーフェス・コンストラクション(NSR)の最近の進歩は、ボリュームレンダリングと組み合わせることで、マルチビュー・コンストラクションを著しく改善している。本稿では,多種多様な視覚的タスクから価値ある特徴を活用すべく,特徴レベルの一貫した損失について検討する。 DTU と EPFL を用いて解析した結果,画像マッチングと多視点ステレオデータセットによる特徴が,他のプリテキストタスクよりも優れていたことが判明した。
論文参考訳（メタデータ） (2024-08-04T16:09:46Z)
Learning A Spiking Neural Network for Efficient Image Deraining [20.270365030042623]
ESDNetと呼ばれる効率の良いスパイクレイニングネットワークを提案する。我々の研究は、雨のピクセル値がSNNのスパイク信号の強度を高めるという観測に動機づけられている。トレーニングの課題を克服するために,モデルを直接トレーニングするための勾配プロキシ戦略を導入する。
論文参考訳（メタデータ） (2024-05-10T07:19:58Z)
Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文参考訳（メタデータ） (2023-10-10T20:11:13Z)
Super-Resolution and Image Re-projection for Iris Recognition [67.42500312968455]
異なるディープラーニングアプローチを用いた畳み込みニューラルネットワーク(CNN)は、解像度の低い画像から現実的なテクスチャときめ細かい詳細を復元しようとする。本研究は、虹彩認識環境における虹彩超解法(SR)に対するこれらのアプローチの実現可能性について検討する。その結果,CNNと画像再投影は,認識システムの精度向上に有効であることが示唆された。
論文参考訳（メタデータ） (2022-10-20T09:46:23Z)
Impact of Colour Variation on Robustness of Deep Neural Networks [0.0]
ディープニューラルネットワーク(DNN)は、画像分類、セグメンテーション、オブジェクト検出といったコンピュータビジョンアプリケーションの最先端のパフォーマンスを示している。最近の進歩は、入力データ、すなわち敵攻撃における手動のデジタル摂動に対する脆弱性を示している。本研究では,イメージネットのサブセットにRGB色を27種類の組み合わせで変形させることにより,色差データセットを提案する。
論文参考訳（メタデータ） (2022-09-02T08:16:04Z)
Impact of Scaled Image on Robustness of Deep Neural Networks [0.0]
生画像のスケーリングはアウト・オブ・ディストリビューションデータを生成するため、ネットワークを騙すための敵攻撃の可能性がある。本研究では,ImageNet Challengeデータセットのサブセットを複数でスケーリングすることで,Scaling-DistortionデータセットのImageNet-CSを提案する。
論文参考訳（メタデータ） (2022-09-02T08:06:58Z)
Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
論文参考訳（メタデータ） (2021-10-26T03:28:36Z)
Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文参考訳（メタデータ） (2021-05-07T03:49:26Z)
Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-28T17:55:04Z)
A Unified Plug-and-Play Framework for Effective Data Denoising and Robust Abstention [4.200576272300216]
基礎となるデータ密度を利用した統合フィルタリングフレームワークを提案する。我々のフレームワークは、トレーニングデータを効果的にデノベートし、不確実なテストデータポイントの予測を避けることができる。
論文参考訳（メタデータ） (2020-09-25T04:18:08Z)
Transfer Learning in General Lensless Imaging through Scattering Media [16.445963019768744]
ディープニューラルネットワーク(DNN)は、散乱媒体を介してレンズレスイメージングの分野にうまく導入されている。本研究は, 散乱媒質による無レンズイメージングの課題に対処するために, 転写学習を提案する。
論文参考訳（メタデータ） (2019-12-28T07:37:25Z)

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。