손상 견고성을 위한 중간 영역 활용 주파수 성분 변형의 성능 향상 기법

Q: 이 논문에서 정의한 손상 견고성이란 무엇인가?

손상 견고성은 다양한 요인으로 인해 데이터가 저하되더라도 모델이 안정적인 성능을 유지하는 능력을 의미한다. 이는 CIFAR-10-C 및 CIFAR-100-C와 같은 손상된 데이터셋에서 모델의 에러율인 Corruption error의 평균으로 평가한다.

Q: FCM-MRT는 기존 FCM의 어떤 한계를 극복하는가?

본 연구 결과, 기존 FCM은 고주파 영역과 저주파 영역 사이에 급격한 주파수 변화로 인한 부자연스러운 경계가 발생하는 한계가 있었다. FCM-MRT는 중간 영역을 도입하여 이 경계를 완화하고, 주파수 성분 변환을 더욱 자연스럽게 유도하여 손상 견고성을 향상시킨다.

이현지; 이규중

doi:10.9717/kmms.2025.05.28.5.590

추천

검색

질문

자료유형: 학술저널

저자정보: 이현지 (성신여자대학교) 이규중 (성신여자대학교)

저널정보: 한국멀티미디어학회 멀티미디어학회논문지 멀티미디어학회논문지 제28권 제5호

발행연도: 2025.5

수록면: 590 - 597 (8page)

DOI: 10.9717/kmms.2025.05.28.5.590

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Frequency Component Modification (FCM) is a data augmentation that modifies the frequency domain and has shown effectiveness in enhancing model robustness. However, it has a limitation in that it introduces unnatural transitions between frequency components. To address this issue, we propose Frequency Component Modification with Mid-Region Tuning (FCM-MRT), which encourages smoother transitions by incorporating a middle frequency region. The frequency domain is randomly divided into low, mid, and high frequency regions, and the middle frequency component is modified using various strategies: random values sampled from a uniform distribution, linearly varying values, and nonlinearly varying values. To evaluate performance, we use two metrics: corruption error, measured on corrupted dataset, and clean error, measured on clean dataset. Experimental results demonstrate that on CIFAR10, the linear variation method yields the best performance, reducing the corruption error by 1.376%, and on CIFAR100, the uniform distribution method achieves the best improvement, reducing the corruption error by 0.877%.

#CNN #Robustness #Corruption #Image augmentation #Discrete Fourier transform #Frequency domain

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-093119164

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)