論文の概要: Benchmarking Local Robustness of High-Accuracy Binary Neural Networks for Enhanced Traffic Sign Recognition

• arxiv url: http://arxiv.org/abs/2310.03033v1
• Date: Mon, 25 Sep 2023 01:17:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-08 10:59:52.278247
• Title: Benchmarking Local Robustness of High-Accuracy Binary Neural Networks for Enhanced Traffic Sign Recognition
• Title（参考訳）: 交通信号認識のための高精度二元ニューラルネットワークの局所ロバスト性ベンチマーク
• Authors: Andreea Postovan, M\u{a}d\u{a}lina Era\c{s}cu
• Abstract要約: 本稿では,最先端の検証ツールに挑戦するレイヤを特徴とするベンチマーク問題を紹介する。 検証問題の難しさは、多数のネットワークパラメータによって与えられる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic signs play a critical role in road safety and traffic management for autonomous driving systems. Accurate traffic sign classification is essential but challenging due to real-world complexities like adversarial examples and occlusions. To address these issues, binary neural networks offer promise in constructing classifiers suitable for resource-constrained devices. In our previous work, we proposed high-accuracy BNN models for traffic sign recognition, focusing on compact size for limited computation and energy resources. To evaluate their local robustness, this paper introduces a set of benchmark problems featuring layers that challenge state-of-the-art verification tools. These layers include binarized convolutions, max pooling, batch normalization, fully connected. The difficulty of the verification problem is given by the high number of network parameters (905k - 1.7 M), of the input dimension (2.7k-12k), and of the number of regions (43) as well by the fact that the neural networks are not sparse. The proposed BNN models and local robustness properties can be checked at https://github.com/ChristopherBrix/vnncomp2023_benchmarks/tree/main/benchmarks/traffic_signs_recogni tion. The results of the 4th International Verification of Neural Networks Competition (VNN-COMP'23) revealed the fact that 4, out of 7, solvers can handle many of our benchmarks randomly selected (minimum is 6, maximum is 36, out of 45). Surprisingly, tools output also wrong results or missing counterexample (ranging from 1 to 4). Currently, our focus lies in exploring the possibility of achieving a greater count of solved instances by extending the allotted time (previously set at 8 minutes). Furthermore, we are intrigued by the reasons behind the erroneous outcomes provided by the tools for certain benchmarks.
• Abstract（参考訳）: 交通標識は自動運転システムの道路安全と交通管理において重要な役割を果たしている。 正確な交通標識の分類は不可欠であるが、逆例や閉塞のような現実世界の複雑さのために困難である。 これらの問題に対処するため、バイナリニューラルネットワークはリソース制約のあるデバイスに適した分類器の構築を約束する。 前報では,限られた計算量とエネルギー資源のコンパクト化に着目し,交通信号認識のための高精度BNNモデルを提案する。 本稿では,その局所的ロバスト性を評価するために,最先端の検証ツールに挑戦するレイヤを特徴とするベンチマーク問題を紹介する。 これらのレイヤには、二元化畳み込み、最大プーリング、バッチ正規化、完全接続が含まれる。 検証問題の難易度は、入力次元 (2.7k-12k) のネットワークパラメータ (905k - 1.7m) と領域数 (43) と、ニューラルネットワークがスパースしていないという事実によって与えられる。 提案されたBNNモデルと局所ロバスト性特性はhttps://github.com/ChristopherBrix/vnncomp2023_benchmarks/tree/main/benchmarks/traffic_signs_recogni tionで確認できる。 第4回国際ニューラルネットワークコンペティション(VNN-COMP'23)の結果,7つ中4つが,多数のベンチマークをランダムに選択できる(最小値6,最大値45,最大値36,最大値45)という事実が明らかになった。 驚いたことに、ツールは間違った結果や逆例(1から4に並べてある)を出力する。 現在、割り当てられた時間(以前は8分に設定されていた)を延長することで、より多くの解決されたインスタンスを達成する可能性を模索しています。 さらに、特定のベンチマークのツールが提供する誤った結果の背後にある理由にも興味があります。

関連論文リスト

• Entanglement Classification of Arbitrary Three-Qubit States via Artificial Neural Networks [2.715284063484557]
  3ビットシステムの絡みを検知・分類する人工知能ニューラルネットワーク(ANN)を設計・実装する。 モデルはランダムに生成された状態のシミュレーションデータセット上で訓練され、検証される。 注目すべきは、密度行列の7つの対角要素をANNに供給するだけで、両方のタスクに対して94%以上の精度が得られることである。
  論文  参考訳（メタデータ） (2024-11-18T06:50:10Z)
• On Statistical Learning of Branch and Bound for Vehicle Routing Optimization [3.6922704509753084]
  我々は,計算コストの高いStrong Branching戦略の決定過程をエミュレートするためにニューラルネットワークを訓練する。 このアプローチは分岐とバウンドのアルゴリズムの性能にマッチするか、改善することができる。
  論文  参考訳（メタデータ） (2023-10-15T23:59:57Z)
• Architecturing Binarized Neural Networks for Traffic Sign Recognition [0.0]
  バイナリニューラルネットワーク(BNN)は、計算に制限された、エネルギーに制約のあるデバイスにおいて、有望な結果を示している。 我々はドイツ交通信号認識ベンチマーク(GTSRB)の90%以上を達成できるBNNアーキテクチャを提案する。 これらのアーキテクチャのパラメータの数は100kから2M未満まで様々である。
  論文  参考訳（メタデータ） (2023-03-27T08:46:31Z)
• The #DNN-Verification Problem: Counting Unsafe Inputs for Deep Neural Networks [94.63547069706459]
  #DNN-Verification問題は、DNNの入力構成の数を数えることによって安全性に反する結果となる。 違反の正確な数を返す新しい手法を提案する。 安全クリティカルなベンチマークのセットに関する実験結果を示す。
  論文  参考訳（メタデータ） (2023-01-17T18:32:01Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Object Detection with Spiking Neural Networks on Automotive Event Data [0.0]
  我々は、イベントカメラから直接スパイキングニューラルネットワーク(SNN)を訓練し、高速で効率的な自動車組込みアプリケーションを設計することを提案する。 本稿では,2つの自動車イベントデータセットの実験を行い,スパイクニューラルネットワークのための最先端の分類結果を確立した。
  論文  参考訳（メタデータ） (2022-05-09T14:39:47Z)
• A Mixed Integer Programming Approach for Verifying Properties of Binarized Neural Networks [44.44006029119672]
  BNN検証のための混合整数計画法を提案する。 我々は,MNISTデータセットと航空機衝突回避制御器を用いて訓練したBNNの特性を検証することによって,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2022-03-11T01:11:29Z)
• Sub-bit Neural Networks: Learning to Compress and Accelerate Binary Neural Networks [72.81092567651395]
  Sub-bit Neural Networks (SNN) は、BNNの圧縮と高速化に適した新しいタイプのバイナリ量子化設計である。 SNNは、微細な畳み込みカーネル空間におけるバイナリ量子化を利用するカーネル対応最適化フレームワークで訓練されている。 ビジュアル認識ベンチマークの実験とFPGA上でのハードウェア展開は、SNNの大きな可能性を検証する。
  論文  参考訳（メタデータ） (2021-10-18T11:30:29Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• FATNN: Fast and Accurate Ternary Neural Networks [89.07796377047619]
  Ternary Neural Networks (TNN) は、完全な精度のニューラルネットワークよりもはるかに高速で、電力効率が高いため、多くの注目を集めている。 そこで本研究では、3次内積の計算複雑性を2。 性能ギャップを軽減するために,実装に依存した3次量子化アルゴリズムを精巧に設計する。
  論文  参考訳（メタデータ） (2020-08-12T04:26:18Z)
• Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
  量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。 既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。 本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
  論文  参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。