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。
清潔なImageNet精度はその天井に近いので,研究コミュニティは,分布シフトの下でロバスト精度に関してますます関心がある。ニューラルネットワークをロバスト化するために様々な方法が提案されてきたが,これらの技法はしばしば画像Net分類で訓練されたモデルを標的とする。同時に,オブジェクト検出,意味セグメンテーション,および異なるドメインからの画像分類のような下流タスクのために,ImageNet事前訓練バックボーンを使用する一般的実践である。これは疑問を提起する:これらのロバストな画像分類器は下流タスクに対するロバスト性を伝達する。物体検出と意味セグメンテーションのために,著者らは,高密度予測タスクのために調整されたVision変換機の変種であるバニラSwin変換器が,画像Netの破損したバージョンに対してロバストであるように訓練された畳込みニューラルネットワークよりロバスト性をよりよく転送することを発見した。CIFAR10分類では,ImageNetに対してロバスト化されたモデルは,完全微調整時にロバスト性を保持しないことを見出した。これらの知見は,現在のロバスト化技術がImageNet評価を強調する傾向があることを示唆する。さらに,ネットワークアーキテクチャは,転送学習を考慮するとき,ロバスト性の強い源である。【JST・京大機械翻訳】