論文の概要: Improving Accuracy-robustness Trade-off via Pixel Reweighted Adversarial Training

• arxiv url: http://arxiv.org/abs/2406.00685v1
• Date: Sun, 2 Jun 2024 09:43:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 03:46:38.805938
• Title: Improving Accuracy-robustness Trade-off via Pixel Reweighted Adversarial Training
• Title（参考訳）: Pixel Reweighted Adversarial Trainingによる高精度ロバスト性トレードオフの改善
• Authors: Jiacheng Zhang, Feng Liu, Dawei Zhou, Jingfeng Zhang, Tongliang Liu,
• Abstract要約: また,Pixel-reweighted AdveRsarial Training (PART)を提案する。 CIFAR-10、SVHN、TinyImagenet-200の堅牢性を損なうことなく、精度の顕著な向上を実現している。
• 参考スコア（独自算出の注目度）: 61.61368146268329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarial training (AT) trains models using adversarial examples (AEs), which are natural images modified with specific perturbations to mislead the model. These perturbations are constrained by a predefined perturbation budget $\epsilon$ and are equally applied to each pixel within an image. However, in this paper, we discover that not all pixels contribute equally to the accuracy on AEs (i.e., robustness) and accuracy on natural images (i.e., accuracy). Motivated by this finding, we propose Pixel-reweighted AdveRsarial Training (PART), a new framework that partially reduces $\epsilon$ for less influential pixels, guiding the model to focus more on key regions that affect its outputs. Specifically, we first use class activation mapping (CAM) methods to identify important pixel regions, then we keep the perturbation budget for these regions while lowering it for the remaining regions when generating AEs. In the end, we use these pixel-reweighted AEs to train a model. PART achieves a notable improvement in accuracy without compromising robustness on CIFAR-10, SVHN and TinyImagenet-200, justifying the necessity to allocate distinct weights to different pixel regions in robust classification.
• Abstract（参考訳）: 敵対訓練(AT)は、特定の摂動で修正された自然なイメージである逆例(AE)を用いてモデルを訓練する。 これらの摂動は予め定義された摂動予算$\epsilon$で制約され、画像内の各ピクセルに等しく適用される。 しかし,本論文では,全ての画素がAEの精度(すなわち,頑健性)と自然画像の精度(すなわち,精度)に等しく寄与するわけではない。 この発見に触発されて、我々はPixel-reweighted AdveRsarial Training (PART)を提案する。これは、影響力の低いピクセルに対して$\epsilon$を部分的に削減し、出力に影響を与える重要な領域にもっとフォーカスするようモデルに誘導する新しいフレームワークである。 具体的には、まず、重要なピクセル領域を特定するためにクラスアクティベーションマッピング(CAM)法を使用し、その後、これらの領域の摂動予算を維持しながら、AEの生成時に残りの領域でそれを低下させる。 最終的に、私たちはこれらのピクセルリウェイトされたAEを使ってモデルをトレーニングします。 CIFAR-10、SVHN、TinyImagenet-200では、ロバストな分類において異なるピクセル領域に異なる重みを割り当てる必要性を正当化し、ロバスト性を損なうことなく、顕著な精度の向上を実現している。

関連論文リスト

• Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
  デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。 本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。 実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
  論文  参考訳（メタデータ） (2023-09-30T02:54:51Z)
• Look at the Neighbor: Distortion-aware Unsupervised Domain Adaptation for Panoramic Semantic Segmentation [5.352137021024213]
  この目的は、等方射影(ERP)の均一分布画素のスタイル不均一性と歪み問題に起因する領域ギャップに対処することである。 パノラマ的セマンティックセグメンテーションの歪み問題に効果的に対処できる新しいUDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-10T10:47:12Z)
• Residual Pattern Learning for Pixel-wise Out-of-Distribution Detection in Semantic Segmentation [38.784135463275305]
  本稿では,新たな残差パターン学習 (RPL) モジュールを提案する。このモジュールはセグメンテーションモデルを用いて,イリヤセグメンテーション性能に影響を与えることなく,OoD画素の検出を支援する。 また,様々な文脈において,RPLがOoD画素を頑健に検出することを強制する新しいコンテクストロバストコントラスト学習(CoroCL)を提案する。 われわれのアプローチは、FPRが約10%改善し、AuPRCが7%向上し、フィッシュスケープ、Segment-Me-If-You-Can、RoadAnomalyデータセットの最先端になった。
  論文  参考訳（メタデータ） (2022-11-26T08:32:28Z)
• Pixel-by-Pixel Cross-Domain Alignment for Few-Shot Semantic Segmentation [16.950853152484203]
  自律運転アプリケーションにおけるセマンティックセグメンテーションの課題について考察する。 この文脈では、ピクセル単位のクラス不均衡により、ドメインの整列がより困難になる。 我々は Pixel-By-Pixel Cross-Domain Alignment (PixDA) と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-22T08:27:17Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Patch-wise++ Perturbation for Adversarial Targeted Attacks [132.58673733817838]
  トランスファビリティの高い対比例の作成を目的としたパッチワイズ反復法(PIM)を提案する。 具体的には、各イテレーションのステップサイズに増幅係数を導入し、$epsilon$-constraintをオーバーフローする1ピクセルの全体的な勾配が、その周辺領域に適切に割り当てられる。 現在の攻撃方法と比較して、防御モデルでは35.9%、通常訓練されたモデルでは32.7%、成功率を大幅に向上させた。
  論文  参考訳（メタデータ） (2020-12-31T08:40:42Z)
• SegFix: Model-Agnostic Boundary Refinement for Segmentation [75.58050758615316]
  既存のセグメンテーションモデルによって生成されるセグメンテーション結果の境界品質を改善するためのモデルに依存しない後処理方式を提案する。 内部画素のラベル予測がより信頼性が高いという実証的な観察により、我々は、内部画素の予測によって、もともと信頼できない境界画素の予測を置き換えることを提案する。
  論文  参考訳（メタデータ） (2020-07-08T17:08:08Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。