論文の概要: From Decoupled to Coupled: Robustness Verification for Learning-based Keypoint Detection with Joint Specifications

• arxiv url: http://arxiv.org/abs/2603.05604v1
• Date: Thu, 05 Mar 2026 19:01:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.300584
• Title: From Decoupled to Coupled: Robustness Verification for Learning-based Keypoint Detection with Joint Specifications
• Title（参考訳）: DecoupledからCoupledへ: 共同仕様を用いた学習に基づくキーポイント検出のためのロバストネス検証
• Authors: Xusheng Luo, Changliu Liu,
• Abstract要約: キーポイント検出は、ポーズ推定、視点回復、3D再構成など、多くの視覚タスクの基盤となる。 その重要性にもかかわらず、キーポイント検出器の形式的ロバスト性検証は、高次元入力と連続座標出力のためにほとんど探索されていない。 熱マップに基づくキーポイント検出のための最初の結合ロバスト性検証フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.371752627865929
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Keypoint detection underpins many vision tasks, including pose estimation, viewpoint recovery, and 3D reconstruction, yet modern neural models remain vulnerable to small input perturbations. Despite its importance, formal robustness verification for keypoint detectors is largely unexplored due to high-dimensional inputs and continuous coordinate outputs. We propose the first coupled robustness verification framework for heatmap-based keypoint detectors that bounds the joint deviation across all keypoints, capturing their interdependencies and downstream task requirements. Unlike prior decoupled, classification-style approaches that verify each keypoint independently and yield conservative guarantees, our method verifies collective behavior. We formulate verification as a falsification problem using a mixed-integer linear program (MILP) that combines reachable heatmap sets with a polytope encoding joint deviation constraints. Infeasibility certifies robustness, while feasibility provides counterexamples, and we prove the method is sound: if it certifies the model as robust, then the keypoint detection model is guaranteed to be robust. Experiments show that our coupled approach achieves high verified rates and remains effective under strict error thresholds where decoupled methods fail.
• Abstract（参考訳）: キーポイント検出は、ポーズ推定、視点回復、三次元再構成など、多くの視覚タスクを支えるが、現代のニューラルモデルは小さな入力摂動に弱いままである。 その重要性にもかかわらず、キーポイント検出器の形式的ロバスト性検証は、高次元入力と連続座標出力のためにほとんど探索されていない。 そこで本研究では,すべてのキーポイント間の連接偏差を束縛し,その相互依存性と下流タスク要求を捕捉する,ヒートマップに基づくキーポイント検出のための,最初の結合ロバスト性検証フレームワークを提案する。 キーポイントを独立に検証し、保守的な保証を与える、従来の分離された分類スタイルのアプローチとは異なり、本手法は集団行動を検証する。 We formulateteger linear program (MILP) using a mixed-integer linear program which with reachable heatmap set with a polytope encoding joint deviation constraints。 Infeasibility hasertify robustness, while feasibility provides counterexamples, and we prove the method is sound: if itertify the model as robust, then the keypoint detection model is guaranteed to robust。 実験により、結合した手法は高い検証率を達成し、分離された手法が失敗する厳密なエラーしきい値の下で有効であることが確認された。

関連論文リスト

• Learning to Pay Attention: Unsupervised Modeling of Attentive and Inattentive Respondents in Survey Data [0.14323566945483493]
  注意点検などの従来の安全対策は、コストが高く、反応性があり、一貫性がないことが多い。 補完的な教師なしビューを用いた不注意検出のための統一型ラベルフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-02T22:11:51Z)
• GroupEnsemble: Efficient Uncertainty Estimation for DETR-based Object Detection [10.241307426902178]
  GroupEnsembleはDTRのようなモデルに対する効率的かつ効果的な不確実性推定手法である。 我々は,都市景観とCOCOデータセットを用いて,自律運転シーンと日常の日常シーン下での手法の有効性を検証した。 その結果,MC-Dropout と GroupEnsemble を組み合わせたハイブリッドアプローチは,Deep Ensembles をコストのごく一部で実現していることがわかった。
  論文  参考訳（メタデータ） (2026-03-02T13:26:40Z)
• Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
  機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。 本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T16:06:12Z)
• Validating Solidity Code Defects using Symbolic and Concrete Execution powered by Large Language Models [0.0]
  本稿では,Slither-based detectors, Large Language Models (LLMs), Kontrol, Forgeを統合した新しい検出パイプラインを提案する。 私たちのアプローチは、欠陥を確実に検出し、証明を生成するように設計されています。
  論文  参考訳（メタデータ） (2025-09-16T12:46:11Z)
• TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
  本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。 キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
  論文  参考訳（メタデータ） (2025-04-20T09:20:55Z)
• Certifying Robustness of Learning-Based Keypoint Detection and Pose Estimation Methods [9.953693315812995]
  この研究は、視覚に基づく2段階の6次元オブジェクトポーズ推定の堅牢性の証明に対処する。 中心となる考え方は、ローカルロバストネスの認定を、分類タスクのニューラルネットワーク検証に変換することである。
  論文  参考訳（メタデータ） (2024-07-31T19:02:54Z)
• Self-Supervised Graph Transformer for Deepfake Detection [1.8133635752982105]
  ディープフェイク検出手法は、与えられたデータセット内の偽造を認識できる有望な結果を示している。 ディープフェイク検出システムは、一般的な検出性能を保証するために、偽造タイプ、外観、品質に欠かせないままでいなければならない。 本研究では、自己教師付き事前学習モデルを利用して、例外的な一般化能力を実現するディープフェイク検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-27T17:22:41Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
  この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。 我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
  論文  参考訳（メタデータ） (2020-07-07T18:40:19Z)

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。