論文の概要: Novelty Detection via Non-Adversarial Generative Network

• arxiv url: http://arxiv.org/abs/2002.00522v1
• Date: Mon, 3 Feb 2020 01:05:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 08:20:21.477022
• Title: Novelty Detection via Non-Adversarial Generative Network
• Title（参考訳）: 非逆生成ネットワークによる新規検出
• Authors: Chengwei Chen and Wang Yuan and Yuan Xie and Yanyun Qu and Yiqing Tao and Haichuan Song and Lizhuang Ma
• Abstract要約: 新しいデコーダ-エンコーダフレームワークが,新規検出タスクのために提案されている。 非敵対的な枠組みの下では、潜伏空間と画像再構成空間の両方が共同最適化されている。 我々のモデルは、最先端のノベルティ検出器よりも明らかな優位性を持ち、データセットの最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 47.375591404354765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One-class novelty detection is the process of determining if a query example differs from the training examples (the target class). Most of previous strategies attempt to learn the real characteristics of target sample by using generative adversarial networks (GANs) methods. However, the training process of GANs remains challenging, suffering from instability issues such as mode collapse and vanishing gradients. In this paper, by adopting non-adversarial generative networks, a novel decoder-encoder framework is proposed for novelty detection task, insteading of classical encoder-decoder style. Under the non-adversarial framework, both latent space and image reconstruction space are jointly optimized, leading to a more stable training process with super fast convergence and lower training losses. During inference, inspired by cycleGAN, we design a new testing scheme to conduct image reconstruction, which is the reverse way of training sequence. Experiments show that our model has the clear superiority over cutting-edge novelty detectors and achieves the state-of-the-art results on the datasets.
• Abstract（参考訳）: 1クラスの新規性検出は、クエリ例がトレーニング例(ターゲットクラス)と異なるかどうかを決定するプロセスである。 従来の戦略のほとんどは、GAN(Generative Adversarial Network)手法を用いて、ターゲットサンプルの実際の特性を学習しようとするものである。 しかし、モード崩壊や勾配の消失といった不安定な問題に悩まされ、GANの訓練プロセスは依然として困難である。 本稿では,非逆生成ネットワークを採用することで,従来のエンコーダ・デコーダ方式に代えて,新しいデコーダ・エンコーダフレームワークを提案する。 非敵対的な枠組みの下では、潜時空間と画像再構成空間が共同最適化され、超高速収束と低い訓練損失を伴うより安定した訓練プロセスが実現される。 cycleganにインスパイアされた推論の間、画像再構成を行うための新しいテストスキームをデザインしました。 実験により,我々のモデルは最先端のノベルティ検出器よりも明らかな優位性を示し,データセットの最先端の結果が得られた。

関連論文リスト

• CLIP with Generative Latent Replay: a Strong Baseline for Incremental Learning [17.614980614656407]
  インクリメンタル・プロンプト学習のための連続的生成学習を提案する。 変分オートエンコーダを用いてクラス条件分布を学習する。 このような生成的リプレイアプローチは、ゼロショット機能を改善しつつ、新しいタスクに適応できることを示す。
  論文  参考訳（メタデータ） (2024-07-22T16:51:28Z)
• InfRS: Incremental Few-Shot Object Detection in Remote Sensing Images [11.916941756499435]
  本稿では,リモートセンシング画像におけるインクリメンタルな数ショット物体検出の複雑な課題について検討する。 本稿では,新しい授業の漸進的な学習を促進するために,InfRSと呼ばれる先駆的な微調整技術を導入する。 我々はワッサーシュタイン距離に基づく原型校正戦略を開発し、破滅的な忘れ問題を軽減する。
  論文  参考訳（メタデータ） (2024-05-18T13:39:50Z)
• CMFDFormer: Transformer-based Copy-Move Forgery Detection with Continual Learning [52.72888626663642]
  コピーモーブ偽造検出は、疑わしい偽画像中の重複領域を検出することを目的としている。 深層学習に基づく複写偽造検出手法が最上位にある。 CMFDFormer という名称の Transformer-style copy-move forgery ネットワークを提案する。 また、CMFDFormerが新しいタスクを処理できるように、新しいPCSD連続学習フレームワークを提供する。
  論文  参考訳（メタデータ） (2023-11-22T09:27:46Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Efficient Curriculum based Continual Learning with Informative Subset Selection for Remote Sensing Scene Classification [27.456319725214474]
  光リモートセンシング(RS)画像からランドカバー分類の領域におけるクラスインクリメンタルラーニング(CIL)の問題に取り組む。 本稿では,最近のリプレイメモリ方式の成功に触発された新しいCILフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-03T01:25:40Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Novelty Detection via Contrastive Learning with Negative Data Augmentation [34.39521195691397]
  新規性検出のための新しい生成ネットワークフレームワークを提案する。 我々のモデルは最先端のノベルティ検出器よりも優れている。 我々のモデルは、他の敵ベースノベルティ検出方法と比較して、非敵方式で訓練するためにより安定している。
  論文  参考訳（メタデータ） (2021-06-18T07:26:15Z)
• CSI: Novelty Detection via Contrastive Learning on Distributionally Shifted Instances [77.28192419848901]
  コントラストシフトインスタンス (CSI) という,単純かつ効果的な手法を提案する。 従来のコントラスト学習法のように,サンプルを他の例と対比することに加えて,本トレーニング手法では,サンプルを分散シフトによる拡張と対比する。 本実験は, 種々の新規検出シナリオにおける本手法の優位性を実証する。
  論文  参考訳（メタデータ） (2020-07-16T08:32:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。