Provable, Explainable, Efficient, Robust Deep Neural Network for Large-scale Multimedia Retrieval

用于大规模多媒体检索的可证明、可解释、高效、鲁棒的深度神经网络

• 批准号: 22KF0369
• 负责人: 佐藤 真一
• 金额: $ 1.41万
• 依托单位: National Institute of Informatics
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2023
• 资助国家: 日本
• 起止时间: 2023-03-08 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22KF0369/
• 关键词: 敵対的学習; 深層学習; 証明可能; 説明可能

深層学習は、特に画像・映像の意味解析において、極めて高精度の解析が可能であることが広く認識されており、自動運転、医療における自動診断、eコマースなどにおいての応用が期待されており、すでに利用も開始されている。一方、深層学習の学習はブラックボックスの状況で行われ、なぜ高い精度が出るのかの説明ができない、どういうときに認識誤りが起こるのか不明、さらにはシーンに微小な操作を加えることにより深層学習に認識誤りを起こさせる敵対的攻撃の問題(人間が見れば明らかに「止まれ」の標識なのに、深層学習ではそう認識できないようにシーンに加工を加える)が知られている。本研究では、こうした問題に総合的に取り組み、証明可能・説明可能・効率的・頑健な深層学習の枠組みの構築を目的とする。加えて、マルチメディア検索を対象として、この枠組みが実際に効果的に機能することを示す。2022年度には、証明可能な深層学習の枠組みについて検討を行った。特に敵対的学習について網羅的な実験を行い、効果的で頑健な敵対的学習手法の提案を行った他、画像検索等への応用の検討を実施した。

Deep learning は, trevor に portrait image の mean parsing に お い て, extremely め て high-precision の resolution が may で あ る こ と が hiroo く know さ れ て お り, automatic transport planning, medical に お け る automatic diagnosis, e コ マ ー ス な ど に お い て の 応 with が expect さ れ て お り, す で に USES も start さ れ て い る. Side, deep learning の は ブ ラ ッ ク ボ ッ ク ス の status line で わ れ, な ぜ high precision い が out る の か の illustrate が で き な い, ど う い う と き に knew mistakenly り が up こ る の か, さ ら に は シ ー ン に tiny な を operation plus え る こ と に よ り deep learning に knew mistakenly り を up こ さ せ る shock of attack of the enemy ain の problems (see human が れ ば Ming ら か に "check ま れ" の logo な の に, deep learning で は そ う know で き な い よ う に シ ー ン に processing を plus え る) が know ら れ て い る. This study で は, こ う し た problem に 総 に take み り group, prove that may, instructions, working rate, robust な deep learning の 枠 group み の build を purpose と す る. Add え て, マ ル チ メ デ ィ ア 検 cable を like と seaborne し て, こ の 枠 group み が be interstate に unseen fruit に function す る こ と を す. In 2022, the に に and proving the possibility of な deep learning みに 枠 and て検 groups discussed を and った. に enemy polices of learning に つ い て snare of な be 験 を い, unseen fruit で robust な enemy line learning technique proposed の を っ seaborne た he, portrait 検 cable へ の 応 with の beg を 検 be applied し た.

项目成果

Learning to Attack Real-World Models for Person Re-identification via Virtual-Guided Meta-Learning

• DOI: 10.1609/aaai.v35i4.16422
• 发表时间: 2021-05
• 作者: Fengxiang Yang;Zhun Zhong;Hong Liu;Z. Wang;Zhiming Luo;Shaozi Li;N. Sebe;S. Satoh

Mitigating robust overfitting via self-residual-calibration regularization

通过自残差校准正则化减轻稳健过度拟合

• DOI: 10.1016/j.artint.2023.103877
• 发表时间: 2023
• 期刊: Artificial Intelligence
• 影响因子: 14.4
• 作者: Liu Hong;Zhong Zhun;Sebe Nicu;Satoh Shin'ichi
• 通讯作者: Satoh Shin'ichi

Improving Camouflaged Object Detection with the Uncertainty of Pseudo-edge Labels

• DOI: 10.1145/3469877.3490587
• 发表时间: 2021-10
• 期刊: Proceedings of the 3rd ACM International Conference on Multimedia in Asia
• 作者: Nobukatsu Kajiura;Hong Liu;S. Satoh

Towards Robust Person Re-identification by Defending Against Universal Attackers

通过防御通用攻击者实现稳健的人员重新识别

• DOI: 10.1109/tpami.2022.3199013
• 发表时间: 2023
• 期刊: IEEE Transactions on Pattern Analysis and Machine Intelligence
• 影响因子: 23.6
• 作者: Fengxiang Yang;Juanjuan Weng;Zhun Zhong;Hong Liu;Zheng Wang;Zhiming Luo;Donglin Cao;Shaozi Li;Shin'ichi Satoh;Nicu Sebe
• 通讯作者: Nicu Sebe