文献

J-GLOBAL ID：202202283223838101   整理番号：22A0984590

画像捕獲のための移動可能摂動の学習【JST・京大機械翻訳】

Learning Transferable Perturbations for Image Captioning

著者 (4件)： Wu Hanjie (South China University of Technology, Guangzhou, China) ,  Liu Yongtuo (South China University of Technology, Guangzhou, China) ,  Cai Hongmin (South China University of Technology, Guangzhou, China) ,  He Shengfeng (South China University of Technology, Guangzhou, China)
資料名： ACM Transactions on Multimedia Computing, Communications, and Applications  (ACM Transactions on Multimedia Computing, Communications, and Applications)
巻： 18  号： 2  ページ： 1-18  発行年： 2022年 
JST資料番号： W5702A  ISSN： 1551-6857  資料種別： 逐次刊行物 (A)
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： 本研究は,最先端の深層学習モデルが,小さいが十分に設計された摂動によって攻撃できることを発見した。画像キャプティングタスクのための既存の攻撃アルゴリズムは時間がかかり,それらの生成された敵対例は他のモデルによく転送できない。敵対的用例をより速く,より強力に作り出すために,著者らは3つの新規な損失関数によって支配される生成モデルによって摂動を学習することを提案する。画像特徴歪み損失を,画像ドメインでのオリジナル画像と対応する敵対例の間の符号化画像特徴距離を最大化するために設計し,局所大域的不整合損失を導入して,可能な交差画像とキャップ領域と同様に,一般的意味空間における局所と全体的展望から,敵対画像の表現符号化と地上真のキャプションを分離した。言語多様性損失は,言語領域における正しい画像キャプションからできるだけ異なるように,敵対的用例によって作り出される画像キャップを作ることである。大規模な実験は,著者らの提案した生成モデルが,無意味の大規模データセットまたは異なるアーキテクチャで訓練された攻撃画像キャプテーションモデル,または,画像キャプテーション商用サービスさえ,うまく一般化する敵対的事例を効率的に生成できることを示した。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： アルゴリズム ,  表現 ,  符号化 ,  言語 ,  損失関数 ,  ニューラルネットワーク ,  画像特性 ,  *捕獲 ,  不整合 ,  *摂動 ,  計算機アーキテクチャ ,  機械学習 ,  サイバー攻撃
準シソーラス用語： 生成モデル ,  キャプション ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (3件)： 敵対の例 ,  画像捕獲 ,  ニューラルネットワークのロバスト性

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 捕獲 ,  摂動 ,  学習