Open futakw opened 3 years ago
https://arxiv.org/abs/1812.03411
・Adversarial Examplesに対するdefense手法の1つ。 ・Feature Denoising layerを(例えばresnetの各ブロックの直後に)導入することにより、feature mapに存在するノイズを除去する。
・denoise layerの基本的な構造は以下。denoiseの手法としてはいくつか考えられるが、最も良い結果となったのはnon-local means, gaussian の手法だった(詳細は論文参照)。
・Denoise LayerとAdversarial Trainingを組み合わせるとなお強力に。
<いい点>Benchmarking ...[CVPR2020]の論文では、上位の素晴らしいロバスト性を示している。 <課題>Normal Accuracyがかなり低くなる。ノイズを除去するおいて、細かい粒度の情報を除いているからだと考えられる。ロバスト性とNormal Accuracyのトレードオフが課題。
論文リンク
https://arxiv.org/abs/1812.03411
概要
・Adversarial Examplesに対するdefense手法の1つ。 ・Feature Denoising layerを(例えばresnetの各ブロックの直後に)導入することにより、feature mapに存在するノイズを除去する。
・denoise layerの基本的な構造は以下。denoiseの手法としてはいくつか考えられるが、最も良い結果となったのはnon-local means, gaussian の手法だった(詳細は論文参照)。
・Denoise LayerとAdversarial Trainingを組み合わせるとなお強力に。
先行研究との差異
手法のキモ
評価方法
議論
<いい点>Benchmarking ...[CVPR2020]の論文では、上位の素晴らしいロバスト性を示している。 <課題>Normal Accuracyがかなり低くなる。ノイズを除去するおいて、細かい粒度の情報を除いているからだと考えられる。ロバスト性とNormal Accuracyのトレードオフが課題。
関連論文