論文の概要: Robustness of SAM: Segment Anything Under Corruptions and Beyond
- arxiv url: http://arxiv.org/abs/2306.07713v2
- Date: Tue, 22 Aug 2023 11:20:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 20:50:47.509449
- Title: Robustness of SAM: Segment Anything Under Corruptions and Beyond
- Title（参考訳）: SAMのロバスト性: 破壊とそれ以上のセグメンテーション
- Authors: Yu Qiao, Chaoning Zhang, Taegoo Kang, Donghun Kim, Shehbaz Tariq,
Chenshuang Zhang, Choong Seon Hong
- Abstract要約: Segment Any Model (SAM) は任意のオブジェクトを切断できると主張している。
SAMは形状よりもテクスチャ(スタイル)に偏りがあり、SAMのスタイル転送に対する堅牢性の調査から始めます。
それぞれの汚職カテゴリーの中で、現実世界の汚職シナリオをシミュレートする5つの深刻度レベルを調査します。
- 参考スコア（独自算出の注目度）: 46.562148907348416
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Segment anything model (SAM), as the name suggests, is claimed to be capable
of cutting out any object and demonstrates impressive zero-shot transfer
performance with the guidance of a prompt. However, there is currently a lack
of comprehensive evaluation regarding its robustness under various corruptions.
Understanding SAM's robustness across different corruption scenarios is crucial
for its real-world deployment. Prior works show that SAM is biased towards
texture (style) rather than shape, motivated by which we start by investigating
SAM's robustness against style transfer, which is synthetic corruption.
Following the interpretation of the corruption's effect as style change, we
proceed to conduct a comprehensive evaluation of the SAM for its robustness
against 15 types of common corruption. These corruptions mainly fall into
categories such as digital, noise, weather, and blur. Within each of these
corruption categories, we explore 5 severity levels to simulate real-world
corruption scenarios. Beyond the corruptions, we further assess its robustness
regarding local occlusion and local adversarial patch attacks in images. To the
best of our knowledge, our work is the first of its kind to evaluate the
robustness of SAM under style change, local occlusion, and local adversarial
patch attacks. Considering that patch attacks visible to human eyes are easily
detectable, we also assess SAM's robustness against adversarial perturbations
that are imperceptible to human eyes. Overall, this work provides a
comprehensive empirical study on SAM's robustness, evaluating its performance
under various corruptions and extending the assessment to critical aspects like
local occlusion, local patch attacks, and imperceptible adversarial
perturbations, which yields valuable insights into SAM's practical
applicability and effectiveness in addressing real-world challenges.
- Abstract（参考訳）: Segment Any Model (SAM) は、名前が示すように、任意のオブジェクトを切断できると主張しており、プロンプトの誘導によって、印象的なゼロショット転送性能を示す。
しかし、現在では様々な汚職下での堅牢性に関する総合的な評価が欠如している。
SAMのさまざまな汚職シナリオに対する堅牢性を理解することは、現実世界のデプロイメントにおいて不可欠である。
以前の研究では、SAMは形ではなくテクスチャ(スタイル)に偏っていることが示されており、その動機は、SAMのスタイル移動に対する頑健さを調査することにある。
スタイル変更としての汚職の効果の解釈に続いて,15種類の共通汚職に対するSAMの堅牢性について,包括的評価を実施している。
これらの腐敗は、主にデジタル、ノイズ、天気、ぼやけといったカテゴリーに分類される。
それぞれの汚職カテゴリーの中で、現実世界の汚職シナリオをシミュレートする5つの深刻度レベルを調査します。
汚職以外にも,画像における局所閉塞と局所敵パッチ攻撃に関する堅牢性も評価した。
我々の知る限り、我々の研究はSAMのスタイル変更、局所閉塞、および局所的敵パッチアタックによる堅牢性を評価するための最初の試みである。
ヒトの目に見えるパッチアタックは容易に検出できるので、ヒトの目では認識できない敵の摂動に対するSAMの頑丈さも評価する。
全体として、この研究はSAMの堅牢性に関する総合的な実証的研究を提供し、様々な汚職下での性能を評価し、その評価を局所的な排除、局所的なパッチ攻撃、知覚できない敵の摂動といった重要な側面にまで拡張し、SAMの現実的な課題への実践的適用性と有効性に関する貴重な洞察を与える。
関連論文リスト
- 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) - SAM Meets UAP: Attacking Segment Anything Model With Universal Adversarial Perturbation [61.732503554088524]
画像認識不能なユニバーサル適応摂動(UAP)を用いてSAM(Segment Anything Model)を攻撃できるかどうかを検討する。
自己教師付きコントラスト学習(CL)に基づくUAP生成手法を実現する新しい摂動中心フレームワークを提案する。
CLを用いたUAP生成手法の有効性を定量的および定性的に検証した。
論文 参考訳（メタデータ） (2023-10-19T02:49:24Z) - SAM Meets Robotic Surgery: An Empirical Study on Generalization,
Robustness and Adaptation [15.995869434429274]
Segment Anything Model (SAM) はセグメンテーションの基本モデルとして機能する。
ロボット外科領域におけるSAMの頑健性とゼロショットの一般化性について検討した。
論文 参考訳（メタデータ） (2023-08-14T14:09:41Z) - On the Robustness of Segment Anything [46.669794757467166]
我々は, SAMの試験時間ロバスト性について, 敵のシナリオと共通の腐敗下で検討することを目的としている。
SAMは、ぼやけた汚職を除いて、様々な汚職に対して顕著な堅牢性を示す。
論文 参考訳（メタデータ） (2023-05-25T16:28:30Z) - Attack-SAM: Towards Attacking Segment Anything Model With Adversarial
Examples [68.5719552703438]
Segment Anything Model (SAM) は、様々なダウンストリームタスクにおける印象的なパフォーマンスのために、最近大きな注目を集めている。
深い視覚モデルは敵の例に弱いと広く認識されており、それはモデルを騙して知覚不能な摂動で間違った予測をする。
この研究は、SAMの攻撃方法に関する総合的な調査を敵対的な例で実施した最初のものである。
論文 参考訳（メタデータ） (2023-05-01T15:08:17Z) - SAM Meets Robotic Surgery: An Empirical Study in Robustness Perspective [21.2080716792596]
Segment Anything Model (SAM) は意味的セグメンテーションの基礎モデルである。
ロボット手術領域におけるSAMのロバスト性とゼロショット一般化性について検討した。
論文 参考訳（メタデータ） (2023-04-28T08:06:33Z) - Physical Adversarial Attack meets Computer Vision: A Decade Survey [57.46379460600939]
本稿では,身体的敵意攻撃の概要を概観する。
本研究は,身体的敵意攻撃の性能を体系的に評価する第一歩を踏み出した。
提案する評価基準であるhiPAAは6つの視点から構成される。
論文 参考訳（メタデータ） (2022-09-30T01:59:53Z) - Regional Adversarial Training for Better Robust Generalization [35.42873777434504]
良性サンプル近傍の摂動点の特性と多様性を考察した,新たな対人訓練フレームワークを提案する。
RATは、標準対人訓練(SAT)を継続的に改善し、より堅牢な一般化を示す。
論文 参考訳（メタデータ） (2021-09-02T02:48:02Z)
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。