Impact of Colour Variation on Robustness of Deep Neural Networks

要約

ディープ ニューラル ネットワーク (DNN) は、画像分類、セグメンテーション、オブジェクト検出などのコンピューター ビジョン アプリケーションで最先端のパフォーマンスを示しています。
一方、最近の進歩により、入力データにおける手動のデジタル摂動、つまり敵対的攻撃に対する脆弱性が明らかになりました。
ネットワークの精度は、トレーニング データセットのデータ分布に大きく影響されます。
入力画像の色空間に歪みや摂動があると、分布外のデータが生成され、ネットワークがデータを誤って分類する可能性が高くなります。
この研究では、ImageNet のサブセット上の RGB カラーを 27 の異なる組み合わせで歪ませることで、カラーバリエーション データセットを提案します。
私たちの研究の目的は、DNN のパフォーマンスに対する色の変化の影響を研究することです。
私たちは、提案されたデータセットに対していくつかの最先端の DNN アーキテクチャで実験を実行しました。その結果、色の変化と精度の低下の間に有意な相関関係があることがわかりました。
さらに、ResNet50 アーキテクチャに基づいて、私たちが提案したデータセット上で、Augmix、revisit、free Normalizer など、最近提案された堅牢なトレーニング手法と戦略のパフォーマンスの実験をいくつか示します。
実験結果は、これらの堅牢なトレーニング技術により、色の変化に対するディープネットワークの堅牢性を向上できることを示しています。

要約(オリジナル)

Deep neural networks (DNNs) have have shown state-of-the-art performance for computer vision applications like image classification, segmentation and object detection. Whereas recent advances have shown their vulnerability to manual digital perturbations in the input data, namely adversarial attacks. The accuracy of the networks is significantly affected by the data distribution of their training dataset. Distortions or perturbations on color space of input images generates out-of-distribution data, which make networks more likely to misclassify them. In this work, we propose a color-variation dataset by distorting their RGB color on a subset of the ImageNet with 27 different combinations. The aim of our work is to study the impact of color variation on the performance of DNNs. We perform experiments on several state-of-the-art DNN architectures on the proposed dataset, and the result shows a significant correlation between color variation and loss of accuracy. Furthermore, based on the ResNet50 architecture, we demonstrate some experiments of the performance of recently proposed robust training techniques and strategies, such as Augmix, revisit, and free normalizer, on our proposed dataset. Experimental results indicate that these robust training techniques can improve the robustness of deep networks to color variation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google