抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
人間は物体を認識するために形状情報に大きく依存している。逆に,畳み込みニューラルネットワーク(CNN)は,テクスチャに向けてより偏った。これはおそらくCNNが敵対例に対して脆弱である主な理由である。ここでは,そのロバスト性を改善するために,CNNに形状バイアスをどのように組み込むことができるかを調べた。2つのアルゴリズムを提案して,エッジが中等度の知覚不能な摂動に不変であるという観察に基づく。第1に,分類器を付加的チャネルとしてエッジマップを用いて画像上で敵対的に訓練した。推論時間で,エッジマップを再計算し,画像に連結する。第2のアルゴリズムでは,条件付きGANを訓練して,エッジマップを,クリーン画像と/または摂動画像からクリーン画像に変換した。入力エッジマップに対応する生成画像に対して推論を行った。10データセットにわたる広範な実験は,FGSMとl_∞PGD-40攻撃に対して提案したアルゴリズムの有効性を実証した。さらに,a)エッジ情報も他の敵対訓練法に利益があり,b)エッジ増強入力で訓練されたCNNは,RGB画像のみを訓練したCNNよりも,動きぼけ,インパルス雑音およびJPEG圧縮のような自然画像障害に対してロバストであることを示した。より広い展望から,本研究はCNNがロバスト性に重要な画像構造を適切に考慮しないことを示唆した。コードは,Url{https://github.com/aliborji/Shapedefense.git}で利用可能である。【JST・京大機械翻訳】