Impact of Light and Shadow 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さまざまなコンピューター ビジョン タスクにおいて目覚ましい進歩を遂げました。
しかし、最近の研究により、高度な DNN には、敵対的攻撃として知られる入力データの意図的な操作に直面した場合の脆弱性が明らかになりました。
さらに、DNN の精度はトレーニング データセットの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じ、誤分類が発生する可能性があります。
この研究では、ImageNet のサブセット内の各画像に 24 の異なる輝度レベルを組み込んだ輝度変化データセットを提案します。
このデータセットを使用すると、画像上の光と影の影響をシミュレートできるため、DNN のパフォーマンスに対する光と影の影響を調査することができます。
私たちの研究では、前述のデータセットに対していくつかの最先端の DNN アーキテクチャを使用して実験を実施します。
分析を通じて、DNN の輝度レベルと精度の低下の間に注目すべき正の相関関係があることがわかりました。
さらに、輝度変化データセットで ResNet50 アーキテクチャを使用して、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有効性を評価します。
私たちの実験結果は、これらの技術が明るさの変化に対する DNN の堅牢性を強化し、さまざまな明るさレベルを示す画像を処理する際のパフォーマンスの向上につながることを示しています。

要約(オリジナル)

Deep neural networks (DNNs) have made remarkable strides in various computer vision tasks, including image classification, segmentation, and object detection. However, recent research has revealed a vulnerability in advanced DNNs when faced with deliberate manipulations of input data, known as adversarial attacks. Moreover, the accuracy of DNNs is heavily influenced by the distribution of the training dataset. Distortions or perturbations in the color space of input images can introduce out-of-distribution data, resulting in misclassification. In this work, we propose a brightness-variation dataset, which incorporates 24 distinct brightness levels for each image within a subset of ImageNet. This dataset enables us to simulate the effects of light and shadow on the images, so as is to investigate the impact of light and shadow on the performance of DNNs. In our study, we conduct experiments using several state-of-the-art DNN architectures on the aforementioned dataset. Through our analysis, we discover a noteworthy positive correlation between the brightness levels and the loss of accuracy in DNNs. Furthermore, we assess the effectiveness of recently proposed robust training techniques and strategies, including AugMix, Revisit, and Free Normalizer, using the ResNet50 architecture on our brightness-variation dataset. Our experimental results demonstrate that these techniques can enhance the robustness of DNNs against brightness variation, leading to improved performance when dealing with images exhibiting varying brightness levels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google