論文の概要: Critical Points ++: An Agile Point Cloud Importance Measure for Robust Classification, Adversarial Defense and Explainable AI

• arxiv url: http://arxiv.org/abs/2308.05525v1
• Date: Thu, 10 Aug 2023 12:06:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-11 12:38:49.533976
• Title: Critical Points ++: An Agile Point Cloud Importance Measure for Robust Classification, Adversarial Defense and Explainable AI
• Title（参考訳）: クリティカルポイント++:ロバスト分類、敵防衛、説明可能なAIのためのアジャイルポイントクラウド重要度測定
• Authors: Meir Yossef Levi, Guy Gilboa
• Abstract要約: まず,3次元点雲の臨界点とOODサンプルとの相互作用について検討した。 臨界点の概念を重要度尺度に一般化する。 重要でない点のみに基づいて分類ネットワークをトレーニングすることで、ロバスト性が劇的に向上することを示す。
• 参考スコア（独自算出の注目度）: 8.477619837043214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to cope accurately and fast with Out-Of-Distribution (OOD) samples is crucial in real-world safety demanding applications. In this work we first study the interplay between critical points of 3D point clouds and OOD samples. Our findings are that common corruptions and outliers are often interpreted as critical points. We generalize the notion of critical points into importance measures. We show that training a classification network based only on less important points dramatically improves robustness, at a cost of minor performance loss on the clean set. We observe that normalized entropy is highly informative for corruption analysis. An adaptive threshold based on normalized entropy is suggested for selecting the set of uncritical points. Our proposed importance measure is extremely fast to compute. We show it can be used for a variety of applications, such as Explainable AI (XAI), Outlier Removal, Uncertainty Estimation, Robust Classification and Adversarial Defense. We reach SOTA results on the two latter tasks.
• Abstract（参考訳）: Out-Of-Distribution (OOD)サンプルの正確かつ迅速な対応能力は、現実世界の安全要求アプリケーションにおいて不可欠である。 本研究は,まず3次元点雲とOODサンプルの臨界点間の相互作用について検討する。 私たちの発見は、共通の腐敗や異常値がしばしば重要なポイントとして解釈されるということです。 臨界点の概念を重要度尺度に一般化する。 重要度の低い点のみに基づく分類ネットワークの訓練は,クリーンセットでの小さな性能損失を犠牲にして,ロバスト性が劇的に向上することを示す。 正規化エントロピーは腐敗分析に非常に有益である。 非臨界点の集合を選択するために正規化エントロピーに基づく適応しきい値を提案する。 提案する重要度は計算が極めて高速である。 説明可能なAI(XAI)、外乱除去、不確実性推定、ロバスト分類、敵防衛など、さまざまなアプリケーションで使用することができることを示す。 後者の2つのタスクのSOTA結果に到達する。

関連論文リスト

• Unsupervised Keypoints from Pretrained Diffusion Models [31.147785019795347]
  我々は、テキストから画像への拡散モデルにおける創発的な知識を、より堅牢な教師なしキーポイントに活用する。 私たちの中核となる考え方は、生成モデルが画像のコンパクトな領域に一貫して従う原因となるテキスト埋め込みを見つけることです。 CelebA、CUB-200-2011、Tai-Chi-HD、DeepFashion、Human3.6mのデータセットでパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2023-11-29T19:43:38Z)
• CSI: Enhancing the Robustness of 3D Point Cloud Recognition against Corruption [33.70232326721406]
  現実世界の安全クリティカルなアプリケーションは、避けられないデータ破損による課題を提示する。 本研究では、ポイントクラウドデータ固有の設定特性を利用して、新しいクリティカルサブセット識別(CSI)手法を導入する。 我々のCSIフレームワークは、密度認識サンプリング(DAS)と自己エントロピー最小化(SEM)の2つの重要なコンポーネントを統合している。
  論文  参考訳（メタデータ） (2023-10-05T07:30:52Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• CLAD: A Contrastive Learning based Approach for Background Debiasing [43.0296255565593]
  我々は,CNNにおける背景バイアスを軽減するために,対照的な学習に基づくアプローチを導入する。 前回のベンチマークを4.1%で上回り、バックグラウンドチャレンジデータセットで最先端の結果を得た。
  論文  参考訳（メタデータ） (2022-10-06T08:33:23Z)
• Explainability-Aware One Point Attack for Point Cloud Neural Networks [0.0]
  本研究は2つの新たな攻撃手法である opa と cta を提案する。 入力インスタンスから1ポイントだけをシフトすることで、人気の高いクラウドネットワークを100%の成功率で騙すことができることを示す。 また,異なる点帰属分布が点クラウドネットワークの対角的ロバスト性に与える影響についても考察した。
  論文  参考訳（メタデータ） (2021-10-08T14:29:02Z)
• Local Aggressive Adversarial Attacks on 3D Point Cloud [12.121901103987712]
  ディープニューラルネットワークは、モデルを意図的に騙してミスを犯すような敵の例をしがちだ。 本稿では,上記の課題を解決するために,攻撃的攻撃的攻撃攻撃(L3A)を提案する。 PointNet, PointNet++ および DGCNN を用いた実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2021-05-19T12:22:56Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• IF-Defense: 3D Adversarial Point Cloud Defense via Implicit Function based Restoration [68.88711148515682]
  ディープニューラルネットワークは、様々な3D敵攻撃に対して脆弱である。 本稿では,幾何学的制約と分布的制約を伴って入力点の座標を直接最適化するIF-Defenseフレームワークを提案する。 この結果から,IF-Defense は PointNet, PointNet++, DGCNN, PointConv, RS-CNN に対する既存の3次元攻撃に対して,最先端の防御性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-10-11T15:36:40Z)
• Informative Dropout for Robust Representation Learning: A Shape-bias Perspective [84.30946377024297]
  Informative Dropout (InfoDrop) と呼ばれる軽量モデル非依存の手法を提案し, 解釈性の向上とテクスチャバイアスの低減を図る。 具体的には、画像中の局所的な自己情報に基づいて形状からテクスチャを識別し、Dropoutのようなアルゴリズムを用いて局所的なテクスチャからのモデル出力をデコレーションする。
  論文  参考訳（メタデータ） (2020-08-10T16:52:24Z)
• InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
  動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。 粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。 大規模なnuScenes 3D検出ベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-07-16T18:27:08Z)
• Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation [51.17232267143098]
  ステレオ画像から3次元物体を検出するための新しいシステムDisp R-CNNを提案する。 我々は、LiDAR点雲を必要とせずに、統計的形状モデルを用いて、密度の異なる擬似地下構造を生成する。 KITTIデータセットの実験によると、LiDARの基盤構造がトレーニング時に利用できない場合でも、Disp R-CNNは競争性能を達成し、平均精度で従来の最先端手法を20%上回っている。
  論文  参考訳（メタデータ） (2020-04-07T17:48:45Z)

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。