Vision Transformers Versus Convolutional Neural Networks: Comparing Robustness by Exploiting Varying Local Features
Notice bibliographique
Résumé
Robustness of deep learning models is a crucial point that should be evaluated in computer vision tasks. Deep learning models must be able to produce the same results under different conditions such as brightness, image rotation, etc. Deep learning models must have high level robustness to be reliable to address real world problems. Unreliable systems may be harmful for critical systems such as security, healthcare, and military. In this study, it is aimed to evaluate image rotation robustness of Convolutional Neural Networks (CNNs) and Transformer-based deep learning models: MobileNetV2, Residual Network 18 (ResNet18), Visual Geometry Group 16 (VGG16), EfficientNetB1, Vision Transformer (ViT), Data-Efficient Image Transformers (DeiT), and Pooling-based Vision Transformer (PiT). Canadian Institute for Advanced Research 100 classes (CIFAR100), Canadian Institute for Advanced Research 10 classes (CIFAR10) and California Institute of Technology 256 classes (Caltech256) datasets were used to evaluate the performance of the models. All deep learning models were trained with original train datasets. Image embeddings of train, test datasets, and their rotated forms were extracted. A Support Vector Classifier (SVC) was trained with embeddings of original dataset and concatenation of original and rotated form of train dataset. Performances on original test dataset and their rotated forms were evaluated. 10, 50, and 90 degrees rotated form of the datasets were used for rotated test dataset. F1-score metrics were used compare model performances. In conclusion, Transformer-based classification algorithms are more robust to image rotation than the CNN-based models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».