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。
深層学習(DL)分類器の正確度は,敵対画像,不完全画像,または摂動画像で再テストするとき,著しく変化する可能性があるので,しばしば不安定である。本論文は,欠陥画像上のDL分類器のロバスト性をベンチマークするための作業の基本体に追加した。ロバストDL分類器を測定するために,以前の研究は単一因子崩壊に関して報告した。クリーンセット,単一因子摂動を有するセット,および2因子摂動条件を有するセットを含む,包括的な69のベンチマーク画像セットを作成した。最先端の2因子摂動は,(a)両シーケンスで適用される2つのディジタル摂動(塩とペッパー雑音とGauss雑音)と(b)1つのディジタル摂動(塩とペッパー雑音)と両方のシーケンスで適用される幾何学的摂動(回転)を含む。DL分類器を評価する以前の研究は,しばしばトップ-1/トップ-5精度を使用した。DL分類器のロバスト性を評価するための新しい二次元,統計的行列を革新した。また,DL分類器のベンチマークロバスト性に対する最小精度,最大精度,平均精度,変動係数(CV)を含む新しい可視化ツールを導入した。単一因子崩壊と比較して,著者らは,2因子摂動画像を使用することがDL分類器のロバスト性と精度の両方を改善することを初めて報告した。すべてのソースコードと関連画像集合は,将来の学術研究と産業プロジェクトをサポートするために,http://cslinux.semo.edu/david/dataのWebサイトで共有されている。【JST・京大機械翻訳】