論文の概要: Robustness of SAM: Segment Anything Under Corruptions and Beyond

• arxiv url: http://arxiv.org/abs/2306.07713v3
• Date: Mon, 4 Sep 2023 12:36:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 04:46:08.943904
• 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, 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。 さまざまな汚職シナリオにおけるSAMの堅牢性を理解することは、現実世界のデプロイメントに不可欠である。
• 参考スコア（独自算出の注目度）: 49.33798965689299
• 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 prompts. However, there is currently a lack of comprehensive evaluation regarding its robustness under various corruptions. Understanding the robustness of SAM 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 its robustness against style transfer, which is synthetic corruption. Following by interpreting the effects of synthetic corruption as style changes, we proceed to conduct a comprehensive evaluation for its robustness against 15 types of common corruption. These corruptions mainly fall into categories such as digital, noise, weather, and blur, and within each corruption category, we explore 5 severity levels to simulate real-world corruption scenarios. Beyond the corruptions, we further assess the robustness of SAM against local occlusion and local adversarial patch attacks. 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. Given that patch attacks visible to human eyes are easily detectable, we further assess its robustness against global adversarial attacks that are imperceptible to human eyes. Overall, this work provides a comprehensive empirical study of the robustness of SAM, evaluating its performance under various corruptions and extending the assessment to critical aspects such as local occlusion, local adversarial patch attacks, and global adversarial attacks. These evaluations yield valuable insights into the practical applicability and effectiveness of SAM 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カットアウトでき、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。 さまざまな汚職シナリオにおけるSAMの堅牢性を理解することは、現実世界のデプロイメントに不可欠である。 以前の研究では、SAMは形状よりもテクスチャ(スタイル)に偏っていることが示されており、その動機は、合成汚職であるスタイル転送に対する堅牢性の調査から始まる。 本研究は, 合成汚損の影響をスタイル変化として解釈し, 15種類の共通汚損に対する強靭性を総合的に評価する。 これらの汚職は、主にデジタル、ノイズ、天気、ぼやけなどのカテゴリに分類され、各汚職カテゴリーでは、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探索する。 汚職以外では,SAMの局所閉塞性および局所敵パッチ攻撃に対する堅牢性をさらに評価した。 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。 人間の目に見えるパッチアタックは容易に検出できるので、人間の目では認識できない世界的敵攻撃に対するロバスト性をさらに評価する。 全体として、この研究はsamの堅牢性に関する包括的な実証的研究を提供し、様々な腐敗下でのパフォーマンスを評価し、局所的な閉塞、局所的な敵パッチ攻撃、グローバルな敵対的攻撃といった重要な側面に評価を拡張している。 これらの評価は、現実世界の課題に対処するためのSAMの実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 Million-Scale Adversarial Robustness Evaluation With Stronger Individual Attacks [26.422616504640786]
  本稿では,ロジット空間ではなく,確率空間における対角的マージン・アタック(Probability Margin Attack, PMA)を提案する。 我々は、百万スケールのデータセットCC1Mを作成し、それを用いて、敵に訓練されたImageNetモデルの最初の百万スケールの対角ロバスト性評価を行う。
  論文  参考訳（メタデータ） (2024-11-20T10:41:23Z)
• 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)
• Physical Adversarial Attack meets Computer Vision: A Decade Survey [55.38113802311365]
  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。