文献

J-GLOBAL ID：202202233584227802   整理番号：22A0691409

実世界利用のためのより良いオブジェクト検出器の開発に向けて【JST・京大機械翻訳】

Towards Developing Better Object Detectors for Real-World Use

著者 (2件)： Gupta Akshay (Computer Science and Engineering, Indian Institute of Technology Kanpur, IN) ,  Srivastava Biplav (AI Institute, University of South Carolina, US)
資料名： ACM Proceedings  (ACM Proceedings)
号： CODS-COMAD 2022  ページ： 280-281  発行年： 2022年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深い視覚モデルは,オブジェクト検出を含む様々なビジョンタスクに対して,人間レベルのパフォーマンスを高速に上回り,その使用を日々の生活アプリケーションで増大させる。訓練データセットとして同じ情報源から収集された検証データセットで評価されるとき,よく機能する標準モデルは,訓練データとは異なるデータでよく機能しないことが多い。最近の研究は,敵対例が容易に深層学習モデルを容易にし,主に不透明であることを証明する。実世界利用に対してより互換性のあるオブジェクト検出器を作る問題に取り組むために,著者らは,それらをより信頼できて,配置のためにロバストにするいくつかのステップを提案した。提案方法は,説明方法とデータ増強技術を含んでいる。データ増強は,それらを一般化することによって機械学習モデルの性能と結果を改善し,ブラックボックス検出器への新しい洞察を得るための説明方法を改善する。このような理解は,広範囲の敵対攻撃に対する抵抗の改善にも役立つ。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 互換性 ,  *情報源 ,  ブラックボックス ,  応用プログラム ,  モデル ,  検出器 ,  規範モデル ,  人間 ,  ロバスト性 ,  機械学習 ,  サイバー攻撃
準シソーラス用語： 訓練データ ,  *物体検出 ,  視覚モデル ,  深層学習 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 世界 ,  オブジェクト ,  検出器 ,  開発