論文の概要: Err on the Side of Texture: Texture Bias on Real Data

• arxiv url: http://arxiv.org/abs/2412.10597v1
• Date: Fri, 13 Dec 2024 22:53:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:58:58.153131
• Title: Err on the Side of Texture: Texture Bias on Real Data
• Title（参考訳）: Err on the Side of Texture: Texture Bias on Real Data
• Authors: Blaine Hoak, Ryan Sheatsley, Patrick McDaniel,
• Abstract要約: テクスチャ・アソシエーション・バリュー(TAV)は、オブジェクトを分類する際に特定のテクスチャの存在に依存するモデルがいかに強く依存しているかを定量化する新しいメトリクスである。 以上の結果から, テクスチャバイアスは, その90%以上は, 学習したテクスチャと真のラベルとが一致していないテクスチャを含む自然対逆例の存在を説明できることがわかった。
• 参考スコア（独自算出の注目度）: 3.5990273573803058
• License:
• Abstract: Bias significantly undermines both the accuracy and trustworthiness of machine learning models. To date, one of the strongest biases observed in image classification models is texture bias-where models overly rely on texture information rather than shape information. Yet, existing approaches for measuring and mitigating texture bias have not been able to capture how textures impact model robustness in real-world settings. In this work, we introduce the Texture Association Value (TAV), a novel metric that quantifies how strongly models rely on the presence of specific textures when classifying objects. Leveraging TAV, we demonstrate that model accuracy and robustness are heavily influenced by texture. Our results show that texture bias explains the existence of natural adversarial examples, where over 90% of these samples contain textures that are misaligned with the learned texture of their true label, resulting in confident mispredictions.
• Abstract（参考訳）: Biasは、機械学習モデルの正確性と信頼性の両方を著しく損なう。 現在までに、画像分類モデルで見られる最も強いバイアスの1つは、テクスチャバイアスモデルであり、そこでは形状情報よりもテクスチャ情報に過度に依存している。 しかし、テクスチャバイアスの測定と緩和のための既存のアプローチでは、現実世界の設定においてテクスチャがモデルロバスト性に与える影響を捉えられていない。 本研究では,オブジェクトの分類において,特定のテクスチャの存在に強いモデルが依存しているかを定量化する,テクスチャ・アソシエーション・バリュー(TAV)を紹介する。 TAVを利用して、モデルの精度と堅牢性はテクスチャに大きく影響されていることを示す。 以上の結果から, テクスチャバイアスは, その90%以上が真のラベルの学習したテクスチャと一致しないテクスチャを含んでいて, 確実な誤予測をもたらすことが示唆された。

関連論文リスト

• Boosting Semi-Supervised Scene Text Recognition via Viewing and Summarizing [71.29488677105127]
  既存のシーンテキスト認識(STR)手法は、特に芸術的で歪んだ文字に対して、挑戦的なテキストを認識するのに苦労している。 人的コストを伴わずに、合成データと実際のラベルなしデータを活用して、対照的な学習ベースのSTRフレームワークを提案する。 本手法は,共通ベンチマークとUnion14M-Benchmarkで平均精度94.7%,70.9%のSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-11-23T15:24:47Z)
• On Synthetic Texture Datasets: Challenges, Creation, and Curation [1.9567015559455132]
  56のテクスチャにまたがる362,880のテクスチャイメージのデータセットを作成します。 画像生成過程において,画像生成パイプライン内のNSFW安全フィルタはテクスチャに非常に敏感であることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T14:02:18Z)
• Deep Shape-Texture Statistics for Completely Blind Image Quality Evaluation [48.278380421089764]
  視覚ディスクリプタとしての深い特徴は、最近の研究でIQAを進化させたが、それらはテクスチャバイアスが高く、形状バイアスが欠如していることが判明した。 画像の形状やテクスチャの手がかりは歪みに対して異なる反応を示し,どちらも不完全な画像表現をもたらすことがわかった。 画像の詳細な統計的記述を定式化するために,Deep Neural Networks (DNN) が生成する形状バイアスとテクスチャバイアスの深い特徴を同時に利用した。
  論文  参考訳（メタデータ） (2024-01-16T04:28:09Z)
• Prompt-Propose-Verify: A Reliable Hand-Object-Interaction Data Generation Framework using Foundational Models [0.0]
  テキストプロンプトに条件付けされた拡散モデルは、複雑な詳細で現実的な画像を生成する。 しかし、これらの事前訓練されたモデルのほとんどは、手や歯などの人間の特徴に関して、正確な画像を生成することができない。
  論文  参考訳（メタデータ） (2023-12-23T12:59:22Z)
• Preserving Knowledge Invariance: Rethinking Robustness Evaluation of Open Information Extraction [50.62245481416744]
  実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。 我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。 さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
  論文  参考訳（メタデータ） (2023-05-23T12:05:09Z)
• TexPose: Neural Texture Learning for Self-Supervised 6D Object Pose Estimation [55.94900327396771]
  合成データから6次元オブジェクトポーズ推定のためのニューラルネットワークによるテクスチャ学習を提案する。 実画像からオブジェクトの現実的なテクスチャを予測することを学ぶ。 画素完全合成データからポーズ推定を学習する。
  論文  参考訳（メタデータ） (2022-12-25T13:36:32Z)
• Data Generation using Texture Co-occurrence and Spatial Self-Similarity for Debiasing [6.976822832216875]
  本稿では, 反対ラベル付き画像のテクスチャ表現を用いて, 付加画像を明示的に生成する新しいデバイアス手法を提案する。 新たに生成された各画像は、反対ラベルのターゲット画像からテクスチャを転送しながら、ソース画像から類似した空間情報を含む。 本モデルでは,生成画像のテクスチャがターゲットと類似しているか否かを決定するテクスチャ共起損失と,生成画像とソース画像間の空間的詳細がよく保存されているかどうかを決定する空間的自己相似損失とを統合する。
  論文  参考訳（メタデータ） (2021-10-15T08:04:59Z)
• Texture Generation with Neural Cellular Automata [64.70093734012121]
  一つのテンプレート画像からテクスチャジェネレータを学習する。 NCAモデルで示される振る舞いは、テクスチャを生成するための学習された分散されたローカルアルゴリズムであると主張します。
  論文  参考訳（メタデータ） (2021-05-15T22:05:46Z)
• Identifying Invariant Texture Violation for Robust Deepfake Detection [17.306386179823576]
  Invariant Texture Learning frameworkは,低画質で公開されたデータセットにのみアクセスすることができる。 本手法は, 被写体から転写したテクスチャによって, 被写体表面の微視的顔のテクスチャが必然的に侵害されることを前提とした。
  論文  参考訳（メタデータ） (2020-12-19T03:02:15Z)
• Informative Dropout for Robust Representation Learning: A Shape-bias Perspective [84.30946377024297]
  Informative Dropout (InfoDrop) と呼ばれる軽量モデル非依存の手法を提案し, 解釈性の向上とテクスチャバイアスの低減を図る。 具体的には、画像中の局所的な自己情報に基づいて形状からテクスチャを識別し、Dropoutのようなアルゴリズムを用いて局所的なテクスチャからのモデル出力をデコレーションする。
  論文  参考訳（メタデータ） (2020-08-10T16:52:24Z)

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。