文献

J-GLOBAL ID：202002218810876514   整理番号：20A1706505

アーチファクトの探索:画像ネットモデル回避の検出【JST・京大機械翻訳】

Probing for Artifacts: Detecting Imagenet Model Evasions

著者 (4件)： Rounds Jeremiah (Pacific Northwest National Laboratory,Richland,WA,99354) ,  Kingsland Addie (Pacific Northwest National Laboratory,Richland,WA,99354) ,  Henry Michael J. (Pacific Northwest National Laboratory,Richland,WA,99354) ,  Duskin Kayla R. (Pacific Northwest National Laboratory,Richland,WA,99354)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CVPRW  ページ： 3432-3441  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深層学習モデルは,様々な機械学習タスクを横断して創造可能な進歩を遂げたが,そうでなければ,他の信頼できるモデルに取り組んでいる敵対例に対して脆弱である。以前の研究は,敵対例を検出するためにImagenetモデルの内部活性化を検討してきた。本研究は,新しいプローブブロックを用いてImagenetモデル内のあらゆる活性化を同時にプロービングすることにより,以前の研究の規模と範囲を拡大する。このプローブブロックモデルを複数の敵対アルゴリズムに対して訓練し,よりロバストな検出器を作成した。プローブブロックとプローブブロック出力を利用する敵対分類ネットワークのパラメータ化を,Resnet-50,Incep-v3,およびXceptionのプローブを用いたアブレーション実験において調べた。考慮された敵対的分類ネットワークには,モバイルネット-v2で構築された例を含み,それは敵対アーチファクトを検出するVGG代替案より良いことを示した。結果を,ロジスティック回帰特徴スクイージング結果と比較し,これは,特徴スクイージングに対する改善であることを示唆した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  プローブ ,  ネットワーク ,  検出器 ,  アブレーション ,  スクイージング ,  ロバスト性 ,  *アーチファクト ,  パラメタリゼーション ,  機械学習
準シソーラス用語： ロジスティック回帰分析 ,  脆弱性 ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： アーチファクト ,  探索 ,  ネット ,  モデル ,  回避