論文の概要: AR2: Attention-Guided Repair for the Robustness of CNNs Against Common Corruptions

• arxiv url: http://arxiv.org/abs/2507.06332v1
• Date: Tue, 08 Jul 2025 18:37:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.360361
• Title: AR2: Attention-Guided Repair for the Robustness of CNNs Against Common Corruptions
• Title（参考訳）: AR2:CNNの破壊に対するロバスト性に対する注意誘導修復
• Authors: Fuyuan Zhang, Qichen Wang, Jianjun Zhao,
• Abstract要約: ディープニューラルネットワークは、一般的な汚職に晒された場合、大きなパフォーマンス劣化に悩まされる。 本稿では,事前学習したCNNの破壊堅牢性を高めるためにAR2(Attention-Guided repair for Robustness)を提案する。
• 参考スコア（独自算出の注目度）: 5.294455344248843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks suffer from significant performance degradation when exposed to common corruptions such as noise, blur, weather, and digital distortions, limiting their reliability in real-world applications. In this paper, we propose AR2 (Attention-Guided Repair for Robustness), a simple yet effective method to enhance the corruption robustness of pretrained CNNs. AR2 operates by explicitly aligning the class activation maps (CAMs) between clean and corrupted images, encouraging the model to maintain consistent attention even under input perturbations. Our approach follows an iterative repair strategy that alternates between CAM-guided refinement and standard fine-tuning, without requiring architectural changes. Extensive experiments show that AR2 consistently outperforms existing state-of-the-art methods in restoring robustness on standard corruption benchmarks (CIFAR-10-C, CIFAR-100-C and ImageNet-C), achieving a favorable balance between accuracy on clean data and corruption robustness. These results demonstrate that AR2 provides a robust and scalable solution for enhancing model reliability in real-world environments with diverse corruptions.
• Abstract（参考訳）: ディープニューラルネットワークは、ノイズ、ぼかし、天気、デジタル歪みといった一般的な汚職にさらされると、パフォーマンスが著しく低下し、現実のアプリケーションにおける信頼性が制限される。 本稿では,事前学習したCNNの破壊堅牢性を高めるため,AR2(Attention-Guided repair for Robustness)を提案する。 AR2は、クラスアクティベーションマップ(CAM)をクリーンな画像と破損した画像の間に明示的に整列させ、入力摂動の下でも一貫した注意を維持するようモデルに促す。 我々のアプローチは、アーキテクチャの変更を必要とせず、CAM誘導の洗練と標準微調整を交互に行う反復的な修復戦略に従う。 大規模な実験により、AR2は標準的な汚職ベンチマーク(CIFAR-10-C、CIFAR-100-C、ImageNet-C)の堅牢性を回復する既存の最先端の手法を一貫して上回り、クリーンなデータの正確さと汚職の堅牢さのバランスが良好であることが示されている。 これらの結果は、AR2が多様な汚職を伴う現実世界環境におけるモデルの信頼性を高める、堅牢でスケーラブルなソリューションを提供することを示している。

関連論文リスト

• Benchmarking the Spatial Robustness of DNNs via Natural and Adversarial Localized Corruptions [49.546479320670464]
  本稿では,セグメンテーションモデルの空間的ロバスト性を評価するための特別な指標を紹介する。 本稿では,モデルロバスト性をより深く理解する手法として,地域対応型マルチアタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック分析を提案する。 その結果、モデルがこれらの2種類の脅威に異なる反応を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2025-04-02T11:37:39Z)
• Investigating Calibration and Corruption Robustness of Post-hoc Pruned Perception CNNs: An Image Classification Benchmark Study [0.0]
  畳み込みニューラルネットワーク(CNN)は多くのコンピュータビジョンタスクで最先端のパフォーマンスを達成した。 高い計算とストレージの要求は、リソースに制約のある環境への展開を妨げる。 モデルプルーニングは、モデルのサイズを小さくし、優れたパフォーマンスを維持しながら、これらの制限を満たすのに役立つ。
  論文  参考訳（メタデータ） (2024-05-31T14:52:49Z)
• Dynamic Batch Norm Statistics Update for Natural Robustness [5.366500153474747]
  本稿では,汚職検出モデルとBN統計更新からなる統合フレームワークを提案する。 CIFAR10-CとImageNet-Cの精度は8%, 4%向上した。
  論文  参考訳（メタデータ） (2023-10-31T17:20:30Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• A Survey on the Robustness of Computer Vision Models against Common Corruptions [3.6486148851646063]
  コンピュータビジョンモデルは、センサーエラーや極端な撮像環境に起因する入力画像の変化に影響を受けやすい。 これらの破損は、現実のシナリオにデプロイする際のモデルの信頼性を著しく損なう可能性がある。 本稿では,コンピュータビジョンモデルの汎用汚職に対する堅牢性を改善する手法について概観する。
  論文  参考訳（メタデータ） (2023-05-10T10:19:31Z)
• Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
  我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。 気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。 本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T17:59:17Z)
• Generalized Real-World Super-Resolution through Adversarial Robustness [107.02188934602802]
  本稿では,実世界のSRに取り組むために,敵攻撃の一般化能力を活用したロバスト超解法を提案する。 我々の新しいフレームワークは、現実世界のSR手法の開発においてパラダイムシフトをもたらす。 単一のロバストモデルを使用することで、実世界のベンチマークで最先端の特殊な手法より優れています。
  論文  参考訳（メタデータ） (2021-08-25T22:43:20Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)
• Stabilizing Differentiable Architecture Search via Perturbation-based Regularization [99.81980366552408]
  最終アーキテクチャを蒸留する際の劇的な性能低下につながる急激なバリデーション損失の状況は、不安定を引き起こす重要な要因であることがわかった。 本研究では,DARTSに基づく手法の汎用性の向上と損失景観の円滑化を図るため,摂動型正規化(SmoothDARTS)を提案する。
  論文  参考訳（メタデータ） (2020-02-12T23:46:58Z)
• A simple way to make neural networks robust against diverse image corruptions [29.225922892332342]
  加法ガウスノイズとスペククルノイズを用いた簡易だが適切に調整されたトレーニングが、予期せぬ汚職に対して驚くほどうまく一般化することを示す。 非相関な最悪の雑音に対する認識モデルの逆トレーニングは、さらなる性能向上につながる。
  論文  参考訳（メタデータ） (2020-01-16T20:10:25Z)

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。