論文の概要: Promoting Shape Bias in CNNs: Frequency-Based and Contrastive Regularization for Corruption Robustness

• arxiv url: http://arxiv.org/abs/2509.11355v1
• Date: Sun, 14 Sep 2025 17:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.046283
• Title: Promoting Shape Bias in CNNs: Frequency-Based and Contrastive Regularization for Corruption Robustness
• Title（参考訳）: CNNにおける形状バイアスの促進:破壊ロバスト性に対する周波数ベースおよびコントラスト規則化
• Authors: Robin Narsingh Ranabhat, Longwei Wang, Amit Kumar Patel, KC santosh,
• Abstract要約: CNNは画像分類に優れていますが、人間が簡単に扱える一般的な汚職に弱いままです。 形状バイアス表現の促進を目的とした2つの相補的正規化戦略を提案する。 以上の結果から, 損失レベルの正規化はCNNをより形状に適応し, 弾力性のある表現へと効果的に推し進めることが示唆された。
• 参考スコア（独自算出の注目度）: 2.558238597112103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional Neural Networks (CNNs) excel at image classification but remain vulnerable to common corruptions that humans handle with ease. A key reason for this fragility is their reliance on local texture cues rather than global object shapes -- a stark contrast to human perception. To address this, we propose two complementary regularization strategies designed to encourage shape-biased representations and enhance robustness. The first introduces an auxiliary loss that enforces feature consistency between original and low-frequency filtered inputs, discouraging dependence on high-frequency textures. The second incorporates supervised contrastive learning to structure the feature space around class-consistent, shape-relevant representations. Evaluated on the CIFAR-10-C benchmark, both methods improve corruption robustness without degrading clean accuracy. Our results suggest that loss-level regularization can effectively steer CNNs toward more shape-aware, resilient representations.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は画像分類に優れるが、人間が容易に扱う一般的な汚職に弱いままである。 この脆弱さの鍵となる理由は、グローバルな物体の形ではなく、局所的なテクスチャ・キューに依存していることだ。 そこで本研究では,形状バイアス表現の促進と強靭性向上を目的とした2つの相補的正規化戦略を提案する。 1つ目は、原文と低周波のフィルタ入力間の特徴整合性を強制する補助損失を導入し、高周波テクスチャへの依存を抑える。 2つ目は、教師付きコントラスト学習を取り入れて、クラス一貫性、形状関連表現を取り巻く特徴空間を構造化する。 CIFAR-10-Cベンチマークで評価されたどちらの手法も、クリーンな精度を低下させることなく、破損の堅牢性を改善する。 以上の結果から, 損失レベルの正規化はCNNをより形状に適応し, 弾力性のある表現へと効果的に推し進めることが示唆された。

関連論文リスト

• AR2: Attention-Guided Repair for the Robustness of CNNs Against Common Corruptions [5.294455344248843]
  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。
  論文  参考訳（メタデータ） (2025-07-08T18:37:00Z)
• Overlap-Aware Feature Learning for Robust Unsupervised Domain Adaptation for 3D Semantic Segmentation [9.578322021478426]
  3Dポイントクラウドセマンティックセグメンテーション(PCSS)は、ロボットシステムと自律運転における環境認識の基礎である。 既存の方法は、現実の摂動(例えば、雪、霧、雨)と敵の歪みに固有の脆弱性を批判的に見落としている。 この研究は、まず、現在のPCSS-UDAロバスト性を損なう2つの本質的な制限を特定する。 1) 強靭性指標による敵攻撃・破壊タイプに対するレジリエンスを定量化する頑健性評価モデル,2) 注意誘導重複抑制による識別構造を維持しつつ,双方向のドメインマッピングを可能にする非可逆的注意アライメントモジュール(IAAM) とからなる三部構成のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-02T12:16:23Z)
• 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)
• 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)
• Towards Practical Control of Singular Values of Convolutional Layers [65.25070864775793]
  畳み込みニューラルネットワーク(CNN)の訓練は容易であるが、一般化誤差や対向ロバスト性といった基本的な特性は制御が難しい。 最近の研究では、畳み込み層の特異値がそのような解像特性に顕著に影響を及ぼすことが示された。 我々は,レイヤ表現力の著しく低下を犠牲にして,先行技術の制約を緩和するための原則的アプローチを提供する。
  論文  参考訳（メタデータ） (2022-11-24T19:09:44Z)
• Does enhanced shape bias improve neural network robustness to common corruptions? [14.607217936005817]
  最近の研究は、ImageNetで訓練されたCNNがテクスチャをエンコードする機能に偏っていることを示している。 異なる画像スタイルでトレーニングデータを増強すると、このテクスチャバイアスが減少し、形状バイアスが増加することが示されている。 自然画像や明示的なエッジ情報,スタイライゼーションに基づいて,入力を構成するさまざまな方法に関する体系的な研究を行う。
  論文  参考訳（メタデータ） (2021-04-20T07:06:53Z)
• 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)
• Extreme Value Preserving Networks [65.2037926048262]
  最近の証拠は、畳み込みニューラルネットワーク(CNN)がテクスチャに偏りがあることを示しており、CNNはテクスチャに逆らう摂動に対して損なわれない。 本稿では,SIFTの優れた特性を活用してCNNアーキテクチャを改良し,精度と堅牢性を向上させることを目的とする。
  論文  参考訳（メタデータ） (2020-11-17T02:06:52Z)
• 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)
• 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。