論文の概要: Open Set Recognition with Conditional Probabilistic Generative Models
- arxiv url: http://arxiv.org/abs/2008.05129v2
- Date: Tue, 9 Feb 2021 10:18:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 04:27:13.795410
- Title: Open Set Recognition with Conditional Probabilistic Generative Models
- Title（参考訳）: 条件付き確率生成モデルを用いた開集合認識
- Authors: Xin Sun, Chi Zhang, Guosheng Lin and Keck-Voon Ling
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 51.40872765917125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks have made breakthroughs in a wide range of visual
understanding tasks. A typical challenge that hinders their real-world
applications is that unknown samples may be fed into the system during the
testing phase, but traditional deep neural networks will wrongly recognize
these unknown samples as one of the known classes. Open set recognition (OSR)
is a potential solution to overcome this problem, where the open set classifier
should have the flexibility to reject unknown samples and meanwhile maintain
high classification accuracy in known classes. Probabilistic generative models,
such as Variational Autoencoders (VAE) and Adversarial Autoencoders (AAE), are
popular methods to detect unknowns, but they cannot provide discriminative
representations for known classification. In this paper, we propose a novel
framework, called Conditional Probabilistic Generative Models (CPGM), for open
set recognition. The core insight of our work is to add discriminative
information into the probabilistic generative models, such that the proposed
models can not only detect unknown samples but also classify known classes by
forcing different latent features to approximate conditional Gaussian
distributions. We discuss many model variants and provide comprehensive
experiments to study their characteristics. Experiment results on multiple
benchmark datasets reveal that the proposed method significantly outperforms
the baselines and achieves new state-of-the-art performance.
- Abstract（参考訳）: ディープニューラルネットワークは、幅広い視覚理解タスクにおいてブレークスルーをもたらしている。
現実世界の応用を妨げる典型的な課題は、テストフェーズ中に未知のサンプルがシステムに供給される可能性があることだが、従来のディープニューラルネットワークは、これらの未知のサンプルを既知のクラスの1つとして誤って認識する。
オープン集合認識(英語版)(osr)はこの問題を克服するための潜在的な解決策であり、オープン集合分類器は未知のサンプルを拒絶し、一方、既知のクラスにおいて高い分類精度を維持する柔軟性を持つべきである。
変分オートエンコーダ(VAE)や逆数オートエンコーダ(AAE)のような確率的生成モデルは未知を検知する一般的な方法であるが、既知の分類のための識別表現は提供できない。
本稿では,開集合認識のための条件付き確率生成モデル(cpgm)という新しい枠組みを提案する。
本研究の核となる洞察は,確率的生成モデルに識別情報を加えることであり,提案手法は未知のサンプルを検出できるだけでなく,異なる潜在特徴を条件付きガウス分布に強制することにより既知のクラスを分類できる。
多くのモデル変種について考察し,その特徴を調べるための包括的な実験を行った。
複数のベンチマークデータセットの実験結果から,提案手法はベースラインを著しく上回り,新しい最先端性能を実現することがわかった。
関連論文リスト
- Exploring Diverse Representations for Open Set Recognition [51.39557024591446]
オープンセット認識(OSR)では、テスト中に未知のサンプルを拒絶しながら、クローズドセットに属するサンプルを分類する必要がある。
現在、生成モデルはOSRの差別モデルよりもよく機能している。
本稿では,多種多様な表現を識別的に学習するMulti-Expert Diverse Attention Fusion(MEDAF)を提案する。
論文 参考訳（メタデータ） (2024-01-12T11:40:22Z) - Learning Classifiers of Prototypes and Reciprocal Points for Universal
Domain Adaptation [79.62038105814658]
Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。
主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。
既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
論文 参考訳（メタデータ） (2022-12-16T09:01:57Z) - 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) - Non-Exhaustive Learning Using Gaussian Mixture Generative Adversarial
Networks [3.040775019394542]
我々は、新しいオンライン非排他的学習モデル、すなわち、非排他的ガウス混合生成適応ネットワーク(NE-GM-GAN)を提案する。
提案モデルでは,GANなどの深層生成モデル上での潜在表現を合成し,テストデータ中の新しいクラスのインスタンスをインクリメンタルに検出する。
論文 参考訳（メタデータ） (2021-06-28T00:20:22Z) - Open-set Recognition based on the Combination of Deep Learning and
Ensemble Method for Detecting Unknown Traffic Scenarios [0.9711326718689492]
本研究では、Convolutional Neural Networks(CNN)とRandom Forest(RF)を組み合わせて、交通シナリオのオープンセット認識を提案する。
RFのアンサンブルの性質を継承することにより、極値理論と組み合わされた全ての木の投票パターンが未知のクラスを検出するのに適していることが示される。
論文 参考訳（メタデータ） (2021-05-17T06:48:15Z) - 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 Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。
本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。
相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
論文 参考訳（メタデータ） (2020-10-31T03:20:31Z) - 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) - Conditional Gaussian Distribution Learning for Open Set Recognition [10.90687687505665]
オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。
未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。
いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
論文 参考訳（メタデータ） (2020-03-19T14:32:08Z)
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。