ダウンストリームタスクへの画像ネット転送におけるロバスト性【JST・京大機械翻訳】

Yamada Yutaro; Otani Mayu

プレプリント

J-GLOBAL ID：202202218877397815 整理番号：22P0328356

ダウンストリームタスクへの画像ネット転送におけるロバスト性【JST・京大機械翻訳】

Does Robustness on ImageNet Transfer to Downstream Tasks?

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 (2件)： ,
資料名：
発行年： 2022年04月08日プレプリントサーバーでの情報更新日： 2022年04月08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)

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】

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

図形・画像処理一般 , パターン認識

, ,

前のページに戻る