Core Concepts
능동 비전 방법인 GFNet과 FALcon은 수동 기반 방법보다 2-3배 더 강건한 성능을 보인다.
Abstract
이 연구는 능동 비전 방법인 GFNet과 FALcon의 고유한 적대적 강건성을 체계적으로 분석한다. 블랙박스 위협 모델에서 이러한 방법들이 최신 적대적 공격에 대해 수동 기반 방법보다 2-3배 더 강건한 성능을 보인다는 것을 실증적으로 입증한다. 또한 다운샘플링된 해상도에서의 학습과 다양한 고정점에서의 추론이 이러한 고유한 강건성의 주요 요인이라는 것을 정량적 및 정성적 분석을 통해 보여준다. 이를 통해 능동 비전 방법이 적대적 입력에 대해 더 큰 회복력을 가지는 이유를 설명한다.
Stats
수동 방법인 ResNet50은 적대적 공격에 대해 성능이 31.46%까지 떨어졌지만, FALcon은 49.83%, GFNet은 57.82%의 성능을 유지했다.
기하학적 공간 기반 공격에서 ResNet50은 3.5%의 정확도를 보였지만, FALcon은 34.7%, GFNet은 49%의 정확도를 보였다.
다운샘플링된 입력 이미지로 학습한 GFNet-96은 다운샘플링된 적대적 이미지에 대해 ResNet50 대비 2-3배 더 강건한 성능을 보였다.
Quotes
"능동 비전 방법인 GFNet과 FALcon은 수동 기반 방법보다 2-3배 더 강건한 성능을 보인다."
"다운샘플링된 해상도에서의 학습과 다양한 고정점에서의 추론이 이러한 고유한 강건성의 주요 요인이다."