Core Concepts
高周波特徴を使用して入力画像の破損タイプを検出し、層ごとの特徴正規化統計を選択することで、モデルの堅牢性を向上させる。
Abstract
ABSTRACT
画像が深刻に損傷した場合でも分類モデルの堅牢性を向上させる新しいアプローチであるFROSTが提案されている。
FROSTは高周波特徴を使用して入力画像の破損タイプを検出し、そのに応じて層ごとの正規化統計を選択する。
ImageNet-Cで他手法よりも37.1%相対的な利益で最先端の結果を提供し、厳重な破壊時に40.9% mCE基準値を改善している。
INTRODUCTION
破損画像で物体認識モデルの堅牢性を実現することは重要な問題であり、FROSTアプローチはこの問題に取り組んでいる。
METHOD
FROSTはトレーニング時に高周波振幅から特徴原型セットを作成し、テスト時にコードブックCを使用して最適な正規化統計S∗を選択する。
テスト画像がどのような破壊も受けていない場合は、コードブックCが処理方法を決定する。
EXPERIMENTAL ANALYSES
ImageNet-CデータセットでFROSTアプローチが評価され、他手法よりも37.1% mCE改善されたことが示されている。
FROSTは異なるモデルやデータセットにも適用可能であり、クリーン精度も保持しながら堅牢性向上が実現されている。
CONCLUSION
本論文では深刻に損傷した画像の堅牢分類向けに新しいテスト時間最適化アプローチであるFROSTが提案された。
実験結果はImageNet-CでmCE改善し、異なるモデルやデータセットでも有用性が示された。
Stats
FROSTはImageNet-Cで競合他社よりも37.1%相対的利益および40.9% mCE基準値改善しています。