論文の概要: Hybrid Models for Open Set Recognition

• arxiv url: http://arxiv.org/abs/2003.12506v2
• Date: Tue, 4 Aug 2020 01:06:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 05:22:24.649064
• Title: Hybrid Models for Open Set Recognition
• Title（参考訳）: オープン集合認識のためのハイブリッドモデル
• Authors: Hongjie Zhang, Ang Li, Jie Guo, Yanwen Guo
• Abstract要約: オープンセット認識は、トレーニングセット内のどのクラスにも属さないサンプルを検出するために分類器を必要とする。 本稿では,入力データを結合埋め込み空間にエンコードするエンコーダと,サンプルを不整クラスに分類する分類器と,フローベース密度推定器からなるOpenHybridを提案する。 標準オープンセットベンチマークの実験では、エンドツーエンドの訓練されたOpenHybridモデルは最先端の手法やフローベースのベースラインを大きく上回っている。
• 参考スコア（独自算出の注目度）: 28.62025409781781
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open set recognition requires a classifier to detect samples not belonging to any of the classes in its training set. Existing methods fit a probability distribution to the training samples on their embedding space and detect outliers according to this distribution. The embedding space is often obtained from a discriminative classifier. However, such discriminative representation focuses only on known classes, which may not be critical for distinguishing the unknown classes. We argue that the representation space should be jointly learned from the inlier classifier and the density estimator (served as an outlier detector). We propose the OpenHybrid framework, which is composed of an encoder to encode the input data into a joint embedding space, a classifier to classify samples to inlier classes, and a flow-based density estimator to detect whether a sample belongs to the unknown category. A typical problem of existing flow-based models is that they may assign a higher likelihood to outliers. However, we empirically observe that such an issue does not occur in our experiments when learning a joint representation for discriminative and generative components. Experiments on standard open set benchmarks also reveal that an end-to-end trained OpenHybrid model significantly outperforms state-of-the-art methods and flow-based baselines.
• Abstract（参考訳）: オープンセット認識は、トレーニングセット内のどのクラスにも属さないサンプルを検出するために分類器を必要とする。 既存の手法は, 埋込空間上のトレーニングサンプルに確率分布を適合させ, この分布に応じて外れ値を検出する。 埋め込み空間は、しばしば識別的分類器から得られる。 しかし、そのような識別的表現は、未知のクラスを区別するのに重要でない既知のクラスのみに焦点を当てる。 表現空間は、不等式分類器と密度推定器(不等式検出器として保存される)から共同で学習されるべきである。 本稿では,入力データを組込み空間にエンコードするエンコーダと,サンプルをイリアークラスに分類する分類器と,サンプルが未知のカテゴリに属するかどうかを検出するフローベース密度推定器とからなるopenhybridフレームワークを提案する。 既存のフローベースモデルの典型的な問題は、アウトレーヤにより高い確率を割り当てることである。 しかし, 判別成分と生成成分の合同表現を学ぶ場合, 実験ではこのような問題は生じないことを実証的に観察する。 標準オープンセットベンチマークの実験では、エンドツーエンドでトレーニングされたopenhybridモデルが最先端のメソッドやフローベースのベースラインを大きく上回っていることも明らかになった。

関連論文リスト

• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Open-Set Recognition with Gradient-Based Representations [16.80077149399317]
  本稿では、勾配に基づく表現を利用して未知の検出器を既知のクラスのみで訓練することを提案する。 我々の勾配に基づくアプローチは、オープンセットの分類において、最先端の手法を最大11.6%上回っていることを示す。
  論文  参考訳（メタデータ） (2022-06-16T14:54:12Z)
• Open-set Recognition via Augmentation-based Similarity Learning [11.706887820422002]
  ペアの類似点を学習することで未知(または見知らぬクラスサンプル)を検出することを提案する。 我々はOPG(Pseudo unseen data generationに基づくオープンセット認識)と呼ぶ。
  論文  参考訳（メタデータ） (2022-03-24T17:49:38Z)
• Out-of-Scope Intent Detection with Self-Supervision and Discriminative Training [20.242645823965145]
  タスク指向対話システムにおいて、スコープ外インテント検出は実用上重要である。 本稿では,テストシナリオをシミュレートして,スコープ外インテント分類器をエンドツーエンドに学習する手法を提案する。 提案手法を4つのベンチマーク・ダイアログ・データセット上で広範囲に評価し,最先端のアプローチに対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-16T08:17:18Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• Learning Placeholders for Open-Set Recognition [38.57786747665563]
  既知のクラスに対する分類性能を維持し、未知のクラスを拒絶するPlaceholdeRs for Open-SEt Recognition (Proser)を提案する。 Proserはマニホールドミックスアップによって新しいクラスを効率的に生成し、トレーニング中に予約されたオープンセット分類器の値を適応的に設定します。
  論文  参考訳（メタデータ） (2021-03-28T09:18:15Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Open-Set Recognition with Gaussian Mixture Variational Autoencoders [91.3247063132127]
  推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。 我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。 我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
  論文  参考訳（メタデータ） (2020-06-03T01:15:19Z)

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。