論文の概要: CAM-Guided Saliency Cutout and Image-Based Malware Classification

• arxiv url: http://arxiv.org/abs/2608.11634v1
• Date: Wed, 12 Aug 2026 04:32:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.449133
• Title: CAM-Guided Saliency Cutout and Image-Based Malware Classification
• Title（参考訳）: CAM-Guided Saliency Cutoutと画像ベースマルウェア分類
• Abstract要約: ドロップアウト正規化は、トレーニング中にニューラルネットワークの一部を除去することでオーバーフィッティングを減らすために一般的に使用される。 本章では、HiResCAM(Hi-Resolution Class Activation Mapping)を用いて、カットアウト配置を改善することができるかどうかを検証する。 制御された4つのトレーニング条件を比較する: カットアウトなし、標準ランダムカットアウト、低セイリエンスカットアウト、高セイリエンスカットアウト。
• 参考スコア（独自算出の注目度）: 0.22940141855172028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dropout regularization is commonly used to reduce overfitting by removing parts of a neural network during training. For Convolutional Neural Networks (CNN), cutouts serve a somewhat analogous purpose. Cutouts can be implemented as data augmentation: the original training image is retained, and additional copies are created with regions removed. In this chapter, we test whether cutout placement can be improved by using High-Resolution Class Activation Mapping (HiResCAM). We compare four controlled training conditions: no cutout, standard random cutout, low-saliency cutout, and high-saliency cutout. We experiment using grayscale malware images from the RawMal-TF dataset (17 families with~1,000 samples per family), and for comparison to natural images, we experiment with the well-known CIFAR-100 dataset. All experiments are based on ResNet18 with~100 training epochs. For the cutout experiments, we test cutout areas of~5\%, 10\%, 20\%, and~30\%, and we consider~$M\in\{4,8}$ augmented copies per original training image. The RawMal-TF results are slightly worse for all three cutout cases (random, high and low saliency) as compared to no cutouts. In contrast, our CIFAR-100 experimental results improve slightly under low-saliency cutout. These results suggest that the value of saliency-guided cutout is domain dependent, and that malware images should not be treated as equivalent to natural images.
• Abstract（参考訳）: ドロップアウト正規化は、トレーニング中にニューラルネットワークの一部を除去することでオーバーフィッティングを減らすために一般的に使用される。 畳み込みニューラルネットワーク(CNN)では、カットアウトはやや類似した目的がある。 カットアウトはデータ拡張として実装可能で、元のトレーニングイメージは保持され、リージョンを削除して追加コピーが作成される。 本章では、HiResCAM(High-Resolution Class Activation Mapping)を用いて、カットアウト配置を改善することができるかどうかを検証する。 制御された4つのトレーニング条件を比較する: カットアウトなし、標準ランダムカットアウト、低セイリエンスカットアウト、高セイリエンスカットアウト。 我々はRawMal-TFデータセットのグレースケールのマルウェア画像を用いて実験を行い、自然画像と比較するため、よく知られたCIFAR-100データセットを用いて実験を行った。 すべての実験は、約100のトレーニングエポックを備えたResNet18に基づいている。 カットアウト実験では, カットアウト面積が~5\%, 10\%, 20\%, 30\%であり, オリジナルトレーニング画像あたりの増補コピーを~M\in\{4,8}$で検討する。 RawMal-TFの結果は、3つのカットアウト(ランダム、ハイ、ローサリエンシ)に対して、カットアウトが全くないよりもわずかに悪い。 対照的に,CIFAR-100実験結果は,低濃度切削でわずかに改善した。 これらの結果から,サリエンシ誘導によるカットアウトの価値はドメイン依存であり,自然画像と同等のイメージとしてマルウェア画像を扱うべきではないことが示唆された。

関連論文リスト

• Evaluation Resolution Confounds Learning-Rule Comparisons in Model-Brain RSA of Early Visual Cortex [0.0]
  この設定では、訓練されていない、あるいはローカルに訓練されていないネットワークが初期の視覚野で逆伝播に対抗または打ち勝つという共通の結果が、ネットワークが評価される解像度に強く依存していることが分かる。 4つの候補メカニズムがテストされ、その原因は、列車/楕円解像度マッチング、低レベルガボルとピクセル構造、訓練されていないベースラインの正規化状態、プールドディスクリプタのグローバルな明るさ統計への収束である。
  論文  参考訳（メタデータ） (2026-08-11T15:50:58Z)
• A Single Image Is All You Need: Zero-Shot Anomaly Localization Without Training Data [4.861045498353029]
  画像内の異常検出は、通常、トレーニングデータのコレクションから学習するか、参照サンプルに依存することで対処される。 本稿では,畳み込みニューラルネットワークの帰納バイアスを利用した単一像の異常な局所化手法を提案する。 我々の手法はSingle Shot Decomposition Network (SSDnet) と呼ばれる。
  論文  参考訳（メタデータ） (2025-09-22T19:29:20Z)
• Layer Grafted Pre-training: Bridging Contrastive Learning And Masked Image Modeling For Label-Efficient Representations [130.05189514598996]
  Mask Image Modeling (MIM) と Contrastive Learning (CL) は、自己超越が優れた表現を学ぶのに強力であることを示した。 本稿では,CLとMIMの損失の簡易な共同最適化が,矛盾する勾配方向を導いた経験的観察を行う。 実験により,MIMとCLは下層と上層にそれぞれ適していることがわかった。 初期のレイヤはまず1つのMIM損失の下でトレーニングされ、その上に、後者のレイヤは別のCL損失の下でトレーニングされ続けます。
  論文  参考訳（メタデータ） (2023-02-27T20:52:10Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Delving into Masked Autoencoders for Multi-Label Thorax Disease Classification [16.635426201975587]
  ビジョントランスフォーマー (ViT) は、データハングリーの性質と注釈付き医療データの欠如により、医療タスクにおける畳み込みニューラルネットワーク (CNN) に劣る性能を示した。 本稿では,266,340個の胸部X線をMasked Autoencoders (MAE) で事前トレーニングし,各画像の小さな部分から失明画素を再構成する。 以上の結果から,VTは多ラベル胸部疾患分類のための最先端CNN (DenseNet-121) と相容れない(時折良い)ことが示唆された。
  論文  参考訳（メタデータ） (2022-10-23T20:14:57Z)
• Learning from few examples: Classifying sex from retinal images via deep learning [3.9146761527401424]
  基礎画像から患者の性別を分類するために,小データセット上でのDLの性能について紹介する。 約2500基の画像を用いて開発した本モデルでは,最大0.72点のAUCスコアが得られた。 これは、データセットサイズが1000倍近く減少しているにもかかわらず、わずか25%のパフォーマンス低下に相当する。
  論文  参考訳（メタデータ） (2022-07-20T02:47:29Z)
• Core Risk Minimization using Salient ImageNet [53.616101711801484]
  私たちは、1000のImagenetクラスのコアとスプリアス機能をローカライズする100万人以上のソフトマスクを備えたSalient Imagenetデータセットを紹介します。 このデータセットを用いて、まず、いくつかのImagenet事前訓練されたモデル(総計42件)の素早い特徴に対する依存度を評価する。 次に、コアリスク最小化(CoRM)と呼ばれる新しい学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2022-03-28T01:53:34Z)
• Corrupted Image Modeling for Self-Supervised Visual Pre-Training [103.99311611776697]
  自己教師型視覚前訓練のためのCIM(Corrupted Image Modeling)を提案する。 CIMは、小さなトレーニング可能なBEiTを備えた補助発電機を使用して、人工マスクトークンを使用する代わりに入力イメージを破損させる。 事前トレーニング後、エンハンサーは下流タスク用の高容量ビジュアルエンコーダとして使用できる。
  論文  参考訳（メタデータ） (2022-02-07T17:59:04Z)
• Semantically-Conditioned Negative Samples for Efficient Contrastive Learning [22.631763991832862]
  負のサンプリングはクラス境界に関する情報をほとんど提供しない。 効率的な負サンプリングのための3つの新しい手法を提案する。 CIFAR-10, CIFAR-100, Tiny-ImageNet-200 で行った実験は, 一貫した性能向上を示した。
  論文  参考訳（メタデータ） (2021-02-12T16:26:52Z)
• Deep reinforcement learning-based image classification achieves perfect testing set accuracy for MRI brain tumors with a training set of only 30 images [0.0]
  画像分類のための強化学習を導入する。 特に腫瘍を含む2次元MRI画像に対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2021-02-04T21:31:22Z)
• Shape-Texture Debiased Neural Network Training [50.6178024087048]
  畳み込みニューラルネットワークは、トレーニングデータセットによって、テクスチャまたは形状にバイアスされることが多い。 形状・テクスチャ・デバイアスド学習のためのアルゴリズムを開発した。 実験により,本手法は複数の画像認識ベンチマークにおけるモデル性能の向上に成功していることが示された。
  論文  参考訳（メタデータ） (2020-10-12T19:16:12Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。