前景,背景,および視覚属性に対する画像分類モデル感度の包括的研究【JST・京大機械翻訳】

Moayeri Mazda; Pope Phillip; Balaji Yogesh; Feizi Soheil

プレプリント

J-GLOBAL ID：202202212081252116 整理番号：22P0279926

前景,背景,および視覚属性に対する画像分類モデル感度の包括的研究【JST・京大機械翻訳】

A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月26日プレプリントサーバーでの情報更新日： 2022年01月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

単一ラベル監視によるデータセットは画像分類の急速な進歩を推進しているが,モデルがどのように予測を行うかを定量的に評価するためには追加の注釈が必要である。この目的のために,ImageNetサンプルの部分集合に対して,全オブジェクトと18の有益な属性のためのセグメンテーションマスクを集めた。このデータセットRIVAL10(RIch Visual Attributes of Localization)を10クラス以上の約26kインスタンスで構成した。RIVAL10を用いて,著者らは,前景,背景および属性におけるノイズ崩壊に対する広範囲のモデルの感度を評価した。本解析では,多様な最先端のアーキテクチャ(ResNets,変換者)および訓練手順(CLIP,SimCLR,DeiT,Adversarial訓練)を考察した。著者らは,ResNetにおいて,敵対的訓練は,標準訓練よりも前景と比較して背景に対してモデルをより敏感にすることを見出した。同様に,対照的に訓練されたモデルは,変圧器とResNetの両方で低い相対的前景感度も持つ。最後に,崩壊レベルが増加するにつれて相対的前景感度を増加させるための変圧器の興味深い適応能力を観察した。顕著性法を用いて,モデルの背景感度を駆動し,前景と顕著性マップのアラインメントを評価する偽特徴を自動的に発見した。最後に,意味属性のグランドトルース局所化と特徴顕著性を比較することにより,ニューラル特徴に対する属性問題を定量的に研究した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

パターン認識 , 人工知能 , 図形・画像処理一般

, , , , , ,

前のページに戻る