ICLRApr, 2021

SI-Score：一个图像数据集，用于细粒度分析对象位置、旋转和尺寸的鲁棒性

PDF
TL;DR研究深度神经网络在图像理解中的鲁棒性，通过使用 SI-Score，一个合成的数据集，对物体的位置、旋转和大小等因素进行了细致的分析，比较了 ResNets、Vision Transformers 和 CLIP 之间的差异。
发现论文，激发创造
  • 目标检测中尺度不变性的分析 - SNIP

    本文分析了不同的目标识别和检测技术，针对极端尺度变化进行了比较，比较了尺度特定和尺度不变的设计，提出了一种新的训练方案：图像金字塔尺度归一化检测器（SNIP），并在 COCO 数据集上进行了评估。

    Nov, 2017

  • 思考真实世界物体分类

    对深层模型在 ObjectNet 数据集上的表现及其在各种数据变化下的鲁棒性进行了研究，并发现将深层模型应用于对象而不是整个场景会显著改善性能，并且将对象区域限制在较小的范围内可提高准确性和鲁棒性。

    Mar, 2021

  • ScaleNet：一种有限信息的无监督表示学习方法

    本研究提出了一种名为 ScaleNet 的简单高效的无监督表示学习方法，通过使用多尺度图像来增强有限信息条件下卷积神经网络 (ConvNets) 的性能，并展示了 ScaleNet 方法在旋转预测任务上的优越性及其对其他模型的分类任务的改进能力。

    Oct, 2023

  • XIMAGENET-12：一个可解释的 AI 基准数据集用于模型鲁棒性评估

    为了解决标准化鲁棒性评估指标缺乏和过多无关基准数据集的问题，我们引入了 XIMAGENET-12，一个可解释的基准数据集，包含 20 万多张图像和 15,600 个手动语义注释。同时，我们提出了一个新的鲁棒性评估标准，超越了模型生成能力的评估。研究人员和从业者可以利用这个资源，在具有挑战性的条件下评估他们的视觉模型的鲁棒性，并从实际的计算机视觉系统需求中受益。

    Oct, 2023

  • 生成对抗网络质量度量的鲁棒性研究

    本文评估了生成模型质量测量的强度，指出 Inception Score 和 Fréchet Inception Distance 可被插入的噪点影响。作者还测试了最先进的 StyleGANv2 网络及其体系结构，并提供了一种增强版本的 FID 来减轻网络极度震荡的效果。

    Jan, 2022

  • 对扩散合成目标的神经网络稳健性进行基准测试

    我们建立了视觉感知稳健性的严格基准，通过合成图像进行评估，引入了生成模型作为数据源来合成具有多样化背景、纹理和材料的困难图像，该基准称为 ImageNet-D，实验结果表明 ImageNet-D 对于多种视觉模型都导致了显著的准确率下降。

    Mar, 2024

  • 使用反事实模拟测试发现变压器和卷积神经网络之间的差异

    本研究提出了反事实模拟测试的框架，并使用构建的逼真合成场景研究深度神经网络对特定情景变化的鲁棒性问题，发现随着网络规模和数据规模多样性的增加，所有网络的鲁棒性均有所提高，并通过对比发现 ConvNext 对姿态和尺度变化更加鲁棒，而 Swin 对部分遮挡更加鲁棒，同时发布了包含 272k 张自然变形的对象图片的数据集（NVD）

    Nov, 2022

  • 基于显著性 ImageNet 的核心风险最小化

    本文中，我们介绍了 Salient Imagenet-1M 数据集，并评估了几个预训练模型对于虚假特征的依赖性；而后，我们提出了一种新的学习范式叫做核风险最小化，其目的是确保模型使用核心特征对类进行预测。我们评估了不同的计算方法，发现训练 Core Risk Minimization 模型的核心准确率比经验风险最小化模型的准确率高约 12％，并且干扰后没有降低干净准确率。

    Mar, 2022

  • 放大放大：进一步发展遥感超分辨率

    该论文提出了一种针对超分辨率的新度量标准 CLIPScore，并使用该标准在多个数据集上评估了四种标准方法，发现生成对抗网络在语义准确性上优于传统的 L2 损失模型和现代扩散模型，同时将 CLIPScore 作为辅助损失可加快 GANs 的训练速度 18 倍，并改进输出结果，从而在世界各地的多样地理环境中得到有效的模型。

    Nov, 2023

  • 使用 CNN 进行场景识别：对象，尺度和数据集偏差

    通过分析 ImageNet-CNNs 和 Places-CNNs 在不同尺度上的响应，本文提出了一种基于尺度的深度学习算法，并发现 scale-specific CNN 对于提高物体场景识别的准确性至关重要。实验结果表明，简单而精心选择的 ImageNet-CNN 和 Places-CNN 的多尺度组合可以将 SUN397 的最新识别准确性推至 66.26％（甚至在更深的架构中达到 70.17％，与人类的表现相当）。

    Jan, 2018