Fugu-MT 論文翻訳(概要): Adversarial Robustness of Deep Learning Models for Inland Water Body Segmentation from SAR Images

論文の概要: Adversarial Robustness of Deep Learning Models for Inland Water Body Segmentation from SAR Images

arxiv url: http://arxiv.org/abs/2505.01884v2
Date: Tue, 06 May 2025 17:26:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-07 12:42:37.956542
Title: Adversarial Robustness of Deep Learning Models for Inland Water Body Segmentation from SAR Images
Title（参考訳）: SAR画像を用いた内陸水域分割のための深層学習モデルの逆ロバスト性
Authors: Siddharth Kothari, Srinivasan Murali, Sankalp Kothari, Ujjwal Verma, Jaya Sreevalsan-Nair,
Abstract要約: SAR(Synthetic Aperture Radar)画像からの内陸水域のセグメンテーションは,洪水マッピングなどのいくつかのアプリケーションに必要な重要な課題である。本研究では,U-Netモデルに対する逆攻撃の形で手動エラーをシミュレートし,アノテーションによる人間の誤りに対するモデルの堅牢性について検討する。以上の結果から,U-Netはパフォーマンスが著しく低下する前にある程度の汚職を許容できることが示唆された。
参考スコア（独自算出の注目度）: 2.139090897747292
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inland water body segmentation from Synthetic Aperture Radar (SAR) images is an important task needed for several applications, such as flood mapping. While SAR sensors capture data in all-weather conditions as high-resolution images, differentiating water and water-like surfaces from SAR images is not straightforward. Inland water bodies, such as large river basins, have complex geometry, which adds to the challenge of segmentation. U-Net is a widely used deep learning model for land-water segmentation of SAR images. In practice, manual annotation is often used to generate the corresponding water masks as ground truth. Manual annotation of the images is prone to label noise owing to data poisoning attacks, especially due to complex geometry. In this work, we simulate manual errors in the form of adversarial attacks on the U-Net model and study the robustness of the model to human errors in annotation. Our results indicate that U-Net can tolerate a certain level of corruption before its performance drops significantly. This finding highlights the crucial role that the quality of manual annotations plays in determining the effectiveness of the segmentation model. The code and the new dataset, along with adversarial examples for robust training, are publicly available. (GitHub link - https://github.com/GVCL/IWSeg-SAR-Poison.git)
Abstract（参考訳）: SAR(Synthetic Aperture Radar)画像からの内陸水域のセグメンテーションは,洪水マッピングなどのいくつかのアプリケーションに必要な重要な課題である。 SARセンサーは高解像度画像として全天候でデータをキャプチャするが、SARイメージから水や水のような表面を区別することは容易ではない。大きな川流域のような内陸の水域は複雑な地形を持ち、セグメンテーションの難しさを増している。 U-Netは、SAR画像の陸水セグメンテーションに広く使われているディープラーニングモデルである。実際には、手動の注釈は、しばしば接地真理として対応する水面を生成するために使われる。画像のマニュアルアノテーションは、特に複雑な幾何学のために、データ中毒によるノイズをラベル付けする傾向がある。本研究では,U-Netモデルに対する逆攻撃の形で手動エラーをシミュレートし,アノテーションによる人間の誤りに対するモデルの堅牢性について検討する。以上の結果から,U-Netはパフォーマンスが著しく低下する前にある程度の汚職を許容できることが示唆された。この発見は、セグメンテーションモデルの有効性を決定する上で、手動アノテーションの品質が果たす重要な役割を強調している。コードと新しいデータセット、堅牢なトレーニングの逆例が公開されている。 (GitHub link - https://github.com/GVCL/IWSeg-SAR-Poison.git)

関連論文リスト

Learning from Noisy Pseudo-labels for All-Weather Land Cover Mapping [20.979328369582486]
SAR画像は詳細な情報がなく、大きなスペックルノイズに悩まされている。近年、擬似ラベルを生成するために、ペアの光学SAR画像のアノテートが試みられている。半教師付き学習を新たな画像解像度アライメント拡張と共に組み込むことにより、擬似ラベルを生成するためのより正確な方法を提案する。
論文参考訳（メタデータ） (2025-04-18T04:24:47Z)
SAR-W-MixMAE: SAR Foundation Model Training Using Backscatter Power Weighting [3.618534280726541]
マスク付きオートエンコーダ(MAE)などの基礎モデルアプローチや、そのバリエーションが衛星画像に適用されている。セマンティックラベリングによるデータセット作成の困難さと光学画像に対する高ノイズコンテントのため、SAR(Synthetic Aperture Radar)データは基礎モデルの分野ではあまり研究されていない。本研究では,マスク付きオートエンコーダ,特にSentinel-1 SAR画像上のMixMAEとそのSAR画像分類タスクへの影響について検討した。
論文参考訳（メタデータ） (2025-03-03T05:09:44Z)
Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文参考訳（メタデータ） (2024-11-28T13:04:45Z)
Visual Context-Aware Person Fall Detection [52.49277799455569]
画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
論文参考訳（メタデータ） (2024-04-11T19:06:36Z)
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)
DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
論文参考訳（メタデータ） (2023-05-02T18:06:21Z)
Efficient Semantic Segmentation on Edge Devices [7.5562201794440185]
本研究は,災害時の緊急応答にこれらのモデルを適用する可能性を検討するために,現在のセマンティックセマンティックセマンティクスモデルを解析する。実時間セマンティックセグメンテーションモデルと非実時間セマンティックセグメンテーションモデルの性能を, 対向条件下での空中画像によって制約された非実時間セマンティックセグメンテーションモデルと比較する。さらに,Hurricane Harveyの後に捉えたUAV画像を含むFlood-Netデータセット上で,複数のモデルをトレーニングし,浸水した建物と非流出した建物と浸水した道路と非流出した道路とをベンチマークした。
論文参考訳（メタデータ） (2022-12-28T04:13:11Z)
Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
論文参考訳（メタデータ） (2022-12-23T03:00:28Z)
Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
論文参考訳（メタデータ） (2021-08-05T04:27:15Z)
Deep Learning-based Aerial Image Segmentation with Open Data for Disaster Impact Assessment [11.355723874379317]
セグメンテーションニューラルネットワークを利用したフレームワークは、災害後のシナリオで影響のある地域やアクセス可能な道路を特定するために提案されている。航空画像セグメンテーションにおけるImageNetの事前訓練の有効性について検討した。インドネシアのパウル島を襲った2018年の津波のデータから、提案された枠組みの有効性が示された。
論文参考訳（メタデータ） (2020-06-10T00:19:58Z)

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。