論文の概要: Puzzle-AE: Novelty Detection in Images through Solving Puzzles

• arxiv url: http://arxiv.org/abs/2008.12959v5
• Date: Thu, 10 Feb 2022 21:06:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 17:22:02.743996
• Title: Puzzle-AE: Novelty Detection in Images through Solving Puzzles
• Title（参考訳）: Puzzle-AE: パズルによる画像の新規検出
• Authors: Mohammadreza Salehi, Ainaz Eftekhar, Niousha Sadjadi, Mohammad Hossein Rohban, Hamid R. Rabiee
• Abstract要約: U-Netはこの目的のために有効であることが証明されているが、他のAEベースのフレームワークと同様の再構成エラーを使用することでトレーニングデータに過度に適合する。 この課題に基づいてU-Netをトレーニングすることは、過剰適合を防止し、ピクセルレベルの機能を超えた学習を容易にする効果的な治療法であることを示す。 本稿では,効率的な自動ショートカット除去法として,対向的ロバストトレーニングを提案する。
• 参考スコア（独自算出の注目度）: 8.999416735254586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoencoder, as an essential part of many anomaly detection methods, is lacking flexibility on normal data in complex datasets. U-Net is proved to be effective for this purpose but overfits on the training data if trained by just using reconstruction error similar to other AE-based frameworks. Puzzle-solving, as a pretext task of self-supervised learning (SSL) methods, has earlier proved its ability in learning semantically meaningful features. We show that training U-Nets based on this task is an effective remedy that prevents overfitting and facilitates learning beyond pixel-level features. Shortcut solutions, however, are a big challenge in SSL tasks, including jigsaw puzzles. We propose adversarial robust training as an effective automatic shortcut removal. We achieve competitive or superior results compared to the State of the Art (SOTA) anomaly detection methods on various toy and real-world datasets. Unlike many competitors, the proposed framework is stable, fast, data-efficient, and does not require unprincipled early stopping.
• Abstract（参考訳）: オートエンコーダは多くの異常検出法で不可欠な部分であり、複雑なデータセットにおける通常のデータの柔軟性を欠いている。 U-Netはこの目的のために有効であることが証明されているが、他のAEベースのフレームワークと同様の再構成エラーを使用することでトレーニングデータに過度に適合する。 自己教師付き学習(SSL)手法の前提課題であるパズル解法は、すでに意味論的に意味のある特徴を学習する能力が証明されている。 このタスクに基づいたu-netのトレーニングは、過剰フィッティングを防止し、ピクセルレベルの機能を超えた学習を容易にする効果的な修正であることを示す。 しかし、ショートカットソリューションは、ジグソーパズルを含むSSLタスクにおいて大きな課題である。 本稿では,効率的な自動ショートカット除去法として,対向的ロバストトレーニングを提案する。 我々は,様々な玩具や実世界のデータセットにおける最先端技術(sota)異常検出手法と比較して,競争性や優れた結果を得る。 多くの競合フレームワークとは異なり、提案されたフレームワークは安定し、高速で、データ効率が高く、予期せぬ早期停止を必要としない。

関連論文リスト

• Combating Missing Modalities in Egocentric Videos at Test Time [92.38662956154256]
  現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。 再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。 MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
  論文  参考訳（メタデータ） (2024-04-23T16:01:33Z)
• Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
  オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。 既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。 アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-03-19T18:57:53Z)
• Meta-Learning with Versatile Loss Geometries for Fast Adaptation Using Mirror Descent [44.56938629818211]
  メタ学習における根本的な課題は、タスク固有のモデルをトレーニングするために、抽出したモデルを迅速に“適応”する方法である。 既存のアプローチは、タスク毎のトレーニングプロセスの収束性を高めるプリコンディショナーを使用して、この課題に対処する。 この寄与は非線形ミラーマップを学習することでこの制限に対処し、多角距離メートル法を誘導する。
  論文  参考訳（メタデータ） (2023-12-20T23:45:06Z)
• Accelerating exploration and representation learning with offline pre-training [52.6912479800592]
  1つのオフラインデータセットから2つの異なるモデルを別々に学習することで、探索と表現の学習を改善することができることを示す。 ノイズコントラスト推定と補助報酬モデルを用いて状態表現を学習することで、挑戦的なNetHackベンチマークのサンプル効率を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2023-03-31T18:03:30Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Unsupervised Learning for Robust Fitting:A Reinforcement Learning Approach [25.851792661168698]
  堅牢なモデルフィッティングを解決するための新しいフレームワークを紹介します。 他の方法とは異なり、私たちの仕事は基本的な入力機能に無知です。 実験により,本手法が既存の学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-05T07:14:00Z)
• Data-efficient Weakly-supervised Learning for On-line Object Detection under Domain Shift in Robotics [24.878465999976594]
  文献では、Deep Convolutional Neural Networks (DCNNs)に基づく多数のオブジェクト検出方法が提案されている。 これらの手法はロボティクスに重要な制限がある:オフラインデータのみに学習するとバイアスが発生し、新しいタスクへの適応を防ぐことができる。 本研究では,弱い教師付き学習がこれらの問題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2020-12-28T16:36:11Z)
• Self-supervised Learning with Fully Convolutional Networks [24.660086792201263]
  セマンティックセグメンテーションのためのラベルのないデータから表現を学習する問題に焦点を当てる。 2つのパッチベース手法に着想を得て,新しい自己教師付き学習フレームワークを開発した。 ベースラインモデルに対して5.8ポイント改善を達成しました。
  論文  参考訳（メタデータ） (2020-12-18T02:31:28Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。