論文の概要: Adaptive Hierarchical Certification for Segmentation using Randomized Smoothing

• arxiv url: http://arxiv.org/abs/2402.08400v1
• Date: Tue, 13 Feb 2024 11:59:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 15:27:05.571230
• Title: Adaptive Hierarchical Certification for Segmentation using Randomized Smoothing
• Title（参考訳）: ランダム化平滑化を用いたセグメンテーションの適応的階層認証
• Authors: Alaa Anani, Tobias Lorenz, Bernt Schiele, Mario Fritz
• Abstract要約: 本稿では,画像セマンティックセグメンテーションのための適応的階層的認証アルゴリズムを提案する。 当社のアプローチは,認証を階層内の粗いレベルに適応的に緩和する。 提案アルゴリズムは,現在の最先端認証手法と比較して,高い認証情報ゲインと低いアプテンス率を実現する。
• 参考スコア（独自算出の注目度）: 95.5724803348537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Common certification methods operate on a flat pre-defined set of fine-grained classes. In this paper, however, we propose a novel, more general, and practical setting, namely adaptive hierarchical certification for image semantic segmentation. In this setting, the certification can be within a multi-level hierarchical label space composed of fine to coarse levels. Unlike classic methods where the certification would abstain for unstable components, our approach adaptively relaxes the certification to a coarser level within the hierarchy. This relaxation lowers the abstain rate whilst providing more certified semantically meaningful information. We mathematically formulate the problem setup and introduce, for the first time, an adaptive hierarchical certification algorithm for image semantic segmentation, that certifies image pixels within a hierarchy and prove the correctness of its guarantees. Since certified accuracy does not take the loss of information into account when traversing into a coarser hierarchy level, we introduce a novel evaluation paradigm for adaptive hierarchical certification, namely the certified information gain metric, which is proportional to the class granularity level. Our evaluation experiments on real-world challenging datasets such as Cityscapes and ACDC demonstrate that our adaptive algorithm achieves a higher certified information gain and a lower abstain rate compared to the current state-of-the-art certification method, as well as other non-adaptive versions of it.
• Abstract（参考訳）: 一般的な認証手法は、きめ細かいクラスのフラットな事前定義セットで動作します。 本稿では,画像意味的セグメンテーションのための適応的階層的認証という,新しい,より汎用的で実用的な設定を提案する。 この設定では、認証は細部から粗部までからなる多層階層ラベル空間内で行うことができる。 従来の方法では不安定なコンポーネントを許容するが、このアプローチでは認証を階層内のより粗いレベルに適応的に緩和する。 この緩和は、より認証された意味的な情報を提供しながら、禁忌率を低下させる。 問題の設定を数学的に定式化し,まず,階層内の画像画素を検証し,保証の正確性を証明する,画像意味セグメンテーションのための適応的階層認証アルゴリズムを導入する。 粗い階層のレベルに進む際には、認証精度が情報損失を考慮しないので、適応的階層的認証、すなわち、クラス粒度レベルに比例した認証情報ゲインメトリックの新たな評価パラダイムを導入する。 Cityscapes や ACDC などの実世界の挑戦的データセットに対する評価実験により,我々の適応的アルゴリズムは,現在の最先端認証法や非適応型よりも高い認証情報ゲインと低い吸収率を達成することを示した。

関連論文リスト

• Certifying Adapters: Enabling and Enhancing the Certification of Classifier Adversarial Robustness [21.394217131341932]
  本稿では,対向ロバスト性の証明を可能にする新しい認証アダプタフレームワーク(CAF)を提案する。 CAFは、ランダムまたは復号化スムーシングに基づく手法と比較して、認証精度の向上を実現している。 アダプタのアンサンブルにより、1つの事前訓練された特徴抽出器は、様々なノイズ摂動スケールに対して防御することができる。
  論文  参考訳（メタデータ） (2024-05-25T03:18:52Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• Certified Interpretability Robustness for Class Activation Mapping [77.58769591550225]
  本稿では,解釈可能性マップのためのCORGI(Certifiable prOvable Robustness Guarantees)を提案する。 CORGIは入力画像を取り込み、そのCAM解釈可能性マップのロバスト性に対する証明可能な下限を与えるアルゴリズムである。 交通標識データを用いたケーススタディによるCORGIの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-26T18:58:11Z)
• Double Bubble, Toil and Trouble: Enhancing Certified Robustness through Transitivity [27.04033198073254]
  ニューラルネットワークモデルの分類を反転させる微妙な敵の例に反応して、最近の研究は、ソリューションとして証明された堅牢性を促進している。 我々は,今日の"最適"証明書が,認証の推移性と入力空間の幾何学の両方を活用することで,どのように改善できるかを示す。 また, 得られた認定半径の4ドルパーセンテージを均一に増加させることにより, さらに有望な結果が得られた。
  論文  参考訳（メタデータ） (2022-10-12T10:42:21Z)
• Towards Evading the Limits of Randomized Smoothing: A Theoretical Analysis [74.85187027051879]
  決定境界を複数の雑音分布で探索することにより,任意の精度で最適な証明を近似できることを示す。 この結果は、分類器固有の認証に関するさらなる研究を後押しし、ランダム化された平滑化が依然として調査に値することを示す。
  論文  参考訳（メタデータ） (2022-06-03T17:48:54Z)
• Smooth-Reduce: Leveraging Patches for Improved Certified Robustness [100.28947222215463]
  本研究では,Smooth-Reduce の学習自由な修正スムース化手法を提案する。 提案アルゴリズムは,入力画像から抽出した重なり合うパッチを分類し,予測ロジットを集約して,入力周辺の半径が大きいことを証明する。 我々は,このような証明書の理論的保証を提供し,他のランダムな平滑化手法に対する顕著な改善を実証的に示す。
  論文  参考訳（メタデータ） (2022-05-12T15:26:20Z)
• Tune it the Right Way: Unsupervised Validation of Domain Adaptation via Soft Neighborhood Density [125.64297244986552]
  本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。 私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
  論文  参考訳（メタデータ） (2021-08-24T17:41:45Z)
• Certified Distributional Robustness on Smoothed Classifiers [27.006844966157317]
  本稿では,ロバスト性証明として,入力分布に対する最悪の逆損失を提案する。 双対性と滑らか性を利用して、証明書のサロゲートとして容易に計算できる上限を与える。
  論文  参考訳（メタデータ） (2020-10-21T13:22:25Z)

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。