論文の概要: Classification-Denoising Networks

• arxiv url: http://arxiv.org/abs/2410.03505v1
• Date: Fri, 4 Oct 2024 15:20:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 21:50:00.688577
• Title: Classification-Denoising Networks
• Title（参考訳）: 分類Denoising Networks
• Authors: Louis Thiry, Florentin Guth,
• Abstract要約: 画像分類と認知は、堅牢性の欠如や条件情報の部分的に無視という相補的な問題に悩まされる。 両タスクを(ノイズの多い)画像とクラスラベルの結合確率のモデルで統一することで緩和できると論じる。 CIFAR-10とImageNetの数値実験は、競合する分類とノイズ発生性能を示している。
• 参考スコア（独自算出の注目度）: 6.783232060611113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image classification and denoising suffer from complementary issues of lack of robustness or partially ignoring conditioning information. We argue that they can be alleviated by unifying both tasks through a model of the joint probability of (noisy) images and class labels. Classification is performed with a forward pass followed by conditioning. Using the Tweedie-Miyasawa formula, we evaluate the denoising function with the score, which can be computed by marginalization and back-propagation. The training objective is then a combination of cross-entropy loss and denoising score matching loss integrated over noise levels. Numerical experiments on CIFAR-10 and ImageNet show competitive classification and denoising performance compared to reference deep convolutional classifiers/denoisers, and significantly improves efficiency compared to previous joint approaches. Our model shows an increased robustness to adversarial perturbations compared to a standard discriminative classifier, and allows for a novel interpretation of adversarial gradients as a difference of denoisers.
• Abstract（参考訳）: 画像分類と認知は、堅牢性の欠如や条件情報の部分的に無視という相補的な問題に悩まされる。 両タスクを(ノイズの多い)画像とクラスラベルの結合確率のモデルで統一することで緩和できると論じる。 フォワードパスで分類を行い、コンディショニングを行う。 Tweedie-Miyasawa式を用いて,楽譜を用いた復調関数の評価を行った。 トレーニングの目的は、ノイズレベルを総合したクロスエントロピー損失とデノジングスコアマッチング損失の組み合わせである。 CIFAR-10 と ImageNet の数値実験では、参照深層畳み込み分類器/デノワよりも競合的な分類とデノナイジング性能を示し、従来のジョイントアプローチに比べて効率が大幅に向上した。 本モデルでは, 標準的な識別型分類器と比較して, 対向的摂動に対する頑健さが向上し, 対向的勾配の新たな解釈が可能となった。

関連論文リスト

• Unsupervised Image Denoising with Score Function [18.814785792844738]
  現在の教師なし学習法は、通常、アプリケーションに制約がある。 本稿では,より汎用的で複雑な雑音モデルに適用可能な新しい手法を提案する。 本手法は,ノイズモデルが単純で,他の手法が適用できない場合や性能が悪い場合にも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-17T15:52:43Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Diffusion-Based Representation Learning [65.55681678004038]
  教師付き信号のない表現学習を実現するために,デノナイズスコアマッチングフレームワークを拡張した。 対照的に、拡散に基づく表現学習は、デノナイジングスコアマッチング目的の新しい定式化に依存している。 同じ手法を用いて,半教師付き画像分類における最先端モデルの改善を実現する無限次元潜在符号の学習を提案する。
  論文  参考訳（メタデータ） (2021-05-29T09:26:02Z)
• Synergy Between Semantic Segmentation and Image Denoising via Alternate Boosting [102.19116213923614]
  ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。 我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。 実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
  論文  参考訳（メタデータ） (2021-02-24T06:48:45Z)
• Distribution Conditional Denoising: A Flexible Discriminative Image Denoiser [0.0]
  U-Netに基づくデゾナイズFCNにマルチタスク学習手法を適用するフレキシブルな識別画像デノイザを導入する。 この条件付き学習法は, 定音レベルU-Netデノイザを様々な雑音レベルに一般化することができる。
  論文  参考訳（メタデータ） (2020-11-24T21:27:18Z)
• Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
  本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。 特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。 以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-10-22T18:12:26Z)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)

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。