論文の概要: Unexplored Faces of Robustness and Out-of-Distribution: Covariate Shifts in Environment and Sensor Domains
- arxiv url: http://arxiv.org/abs/2404.15882v2
- Date: Thu, 25 Apr 2024 05:38:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-26 19:01:10.932332
- Title: Unexplored Faces of Robustness and Out-of-Distribution: Covariate Shifts in Environment and Sensor Domains
- Title（参考訳）: ロバストさとアウト・オブ・ディストリビューション:環境・センサ領域における共変量変化
- Authors: Eunsu Baek, Keondo Park, Jiyoon Kim, Hyung-Sin Kim,
- Abstract要約: 本稿では,新しい分散シフトデータセットであるImageNet-ESを紹介する。
分布外検出(OOD)とモデルロバスト性の評価を行った。
以上の結果から,カメラセンサ制御による効果的なシフト緩和は,モデルサイズを増大させることなく性能を著しく向上させる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 2.4572304328659595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer vision applications predict on digital images acquired by a camera from physical scenes through light. However, conventional robustness benchmarks rely on perturbations in digitized images, diverging from distribution shifts occurring in the image acquisition process. To bridge this gap, we introduce a new distribution shift dataset, ImageNet-ES, comprising variations in environmental and camera sensor factors by directly capturing 202k images with a real camera in a controllable testbed. With the new dataset, we evaluate out-of-distribution (OOD) detection and model robustness. We find that existing OOD detection methods do not cope with the covariate shifts in ImageNet-ES, implying that the definition and detection of OOD should be revisited to embrace real-world distribution shifts. We also observe that the model becomes more robust in both ImageNet-C and -ES by learning environment and sensor variations in addition to existing digital augmentations. Lastly, our results suggest that effective shift mitigation via camera sensor control can significantly improve performance without increasing model size. With these findings, our benchmark may aid future research on robustness, OOD, and camera sensor control for computer vision. Our code and dataset are available at https://github.com/Edw2n/ImageNet-ES.
- Abstract（参考訳）: コンピュータビジョンアプリケーションは、物理的シーンから光を通してカメラが取得したデジタル画像を予測する。
しかし、従来のロバストネスベンチマークは、画像取得プロセスで発生する分布シフトから分岐して、デジタル化された画像の摂動に依存する。
このギャップを埋めるために、実写カメラで202kの画像を直接キャプチャし、環境やカメラセンサーの要素のバリエーションを含む新しい分布シフトデータセット、ImageNet-ESを導入する。
新たなデータセットを用いて、アウト・オブ・ディストリビューション(OOD)の検出とモデルロバスト性を評価する。
我々は,既存のOOD検出手法がImageNet-ESの共変量シフトに対応していないことを発見し,OODの定義と検出は実世界の分布シフトを受け入れるために再検討されるべきであることを示唆した。
また、既存のデジタル拡張に加えて、学習環境やセンサのバリエーションによって、ImageNet-Cと-ESの両方でモデルがより堅牢になることも観察した。
最後に, カメラセンサ制御による効果的なシフト緩和は, モデルサイズを増大させることなく, 性能を著しく向上させる可能性が示唆された。
これらの結果から、我々のベンチマークは、コンピュータビジョンのためのロバストネス、OOD、カメラセンサー制御に関する将来の研究に役立つかもしれない。
私たちのコードとデータセットはhttps://github.com/Edw2n/ImageNet-ESで公開されています。
関連論文リスト
- Adaptive Domain Learning for Cross-domain Image Denoising [57.4030317607274]
本稿では,クロスドメイン画像認識のための適応型ドメイン学習手法を提案する。
私たちは、異なるセンサー(ソースドメイン)からの既存のデータに加えて、新しいセンサー(ターゲットドメイン)からの少量のデータを使用します。
ADLトレーニングスキームは、ターゲットドメインのモデルを微調整するのに有害なソースドメイン内のデータを自動的に削除する。
また,センサ固有の情報(センサタイプとISO)を取り入れ,画像認識のための入力データを理解するための変調モジュールも導入した。
論文 参考訳（メタデータ） (2024-11-03T08:08:26Z) - Can Your Generative Model Detect Out-of-Distribution Covariate Shift? [2.0144831048903566]
条件付き正規化フロー(cNFs)を用いたOODセンサデータ検出のための新しい手法を提案する。
CIFAR10 対 CIFAR10-C と ImageNet200 対 ImageNet200-C では,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-09-04T19:27:56Z) - EfficientCD: A New Strategy For Change Detection Based With Bi-temporal Layers Exchanged [3.3885253104046993]
本稿では,リモートセンシング画像変化検出のためのEfficientCDという新しいディープラーニングフレームワークを提案する。
このフレームワークは機能抽出のバックボーンネットワークとしてEfficientNetを使用している。
EfficientCDは4つのリモートセンシングデータセットで実験的に検証されている。
論文 参考訳（メタデータ） (2024-07-22T19:11:50Z) - Siamese Meets Diffusion Network: SMDNet for Enhanced Change Detection in
High-Resolution RS Imagery [7.767708235606408]
我々は,新しいネットワークであるSiamese-U2Net Feature Differential Meets Network (SMDNet)を提案する。
このネットワークは、画像エッジ変化検出の精度を向上させるために、Siam-U2Net Feature Differential (SU-FDE)とデノイング拡散暗黙モデルを組み合わせる。
特徴抽出モデルと拡散モデルを組み合わせることで,リモートセンシング画像における変化検出の有効性を示す。
論文 参考訳（メタデータ） (2024-01-17T16:48:55Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - Raw Bayer Pattern Image Synthesis with Conditional GAN [0.0]
本稿では,GAN(Generative Adversarial Network)によるベイアパターン画像生成手法を提案する。
変換を復調として設定することで、ベイアパターン画像を生成することができる。
実験の結果,提案手法により生成した画像は,FIDスコア,PSNR,SSIMにおいて元のPix2PixHDモデルより優れていた。
論文 参考訳（メタデータ） (2021-10-25T11:40:36Z) - Self-supervised Multisensor Change Detection [14.191073951237772]
両時間衛星画像における自己教師付き変化検出の文脈におけるマルチセンサ分析を再考する。
近年の自己教師あり学習手法の進歩は、その一部が少数の画像で機能することさえ示している。
そこで本研究では,非ラベル対象の二時間画像のみを用いたマルチセンサ変化検出手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:31:10Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - Measuring Robustness to Natural Distribution Shifts in Image
Classification [67.96056447092428]
本研究では,データセットの自然変動に起因する分布変化に対して,現在のImageNetモデルがいかに堅牢かを検討する。
しばしば、現在の合成から自然分布へのロバストさの移動はほとんど、あるいは全くない。
実データにおける分布変化は,現在オープンな研究課題であることを示す。
論文 参考訳（メタデータ） (2020-07-01T17:53:26Z) - Why Normalizing Flows Fail to Detect Out-of-Distribution Data [51.552870594221865]
正規化フローは、イン・オブ・ディストリビューションデータとアウト・オブ・ディストリビューションデータの区別に失敗する。
フローは局所的な画素相関と画像からラテンス空間への変換を学習する。
フロー結合層のアーキテクチャを変更することで、ターゲットデータのセマンティック構造を学ぶためのフローに偏りがあることが示される。
論文 参考訳（メタデータ） (2020-06-15T17:00:01Z) - Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。
コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。
深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文 参考訳（メタデータ） (2020-05-24T10:32:49Z)
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。