論文の概要: Simple Neighborhood Representative Pre-processing Boosts Outlier Detectors

• arxiv url: http://arxiv.org/abs/2010.12061v2
• Date: Sun, 21 Nov 2021 04:58:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 13:06:32.357102
• Title: Simple Neighborhood Representative Pre-processing Boosts Outlier Detectors
• Title（参考訳）: 簡易近傍代表前処理による異常検知器の促進
• Authors: Jiawei Yang, Yu Chen, Sylwan Rahardja
• Abstract要約: 本稿では,既存の異常検知器をすべて有効活用し,異常検出を効率的に行う手法として,近隣代表法(NR)を提案する。 NRは既存の検出器と互換性があり、最先端の異常検出器と比較して、実世界のデータセットの性能は+8%(0.72から0.78AUC)向上している。
• 参考スコア（独自算出の注目度）: 6.112522512456142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the decades, traditional outlier detectors have ignored the group-level factor when calculating outlier scores for objects in data by evaluating only the object-level factor, failing to capture the collective outliers. To mitigate this issue, we present a method called neighborhood representative (NR), which empowers all the existing outlier detectors to efficiently detect outliers, including collective outliers, while maintaining their computational integrity. It achieves this by selecting representative objects, scoring these objects, then applies the score of the representative objects to its collective objects. Without altering existing detectors, NR is compatible with existing detectors, while improving performance on real world datasets with +8% (0.72 to 0.78 AUC) relative to state-of-the-art outlier detectors.
• Abstract（参考訳）: 何十年もの間、従来の外れ値検出器は、データ中のオブジェクトの外れ値のスコアを計算する際に、オブジェクトレベルの要素のみを評価することで、集団の外れ値の取得を怠った。 そこで本研究では,既存の異常値検出器に対して,集団異常値を含む異常値を効率的に検出する手法であるneighborion representative (nr)を提案する。 代表オブジェクトを選択してこれらのオブジェクトをスコア付けし、代表オブジェクトのスコアを集合オブジェクトに適用することでこれを達成する。 既存の検出器を変更することなく、NRは既存の検出器と互換性があり、最先端の外部検出器と比較して、+8%(0.72から0.78AUC)で実世界のデータセットの性能を改善している。

関連論文リスト

• Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
  制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。 ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。 BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
  論文  参考訳（メタデータ） (2024-07-10T18:00:54Z)
• Neighborhood Averaging for Improving Outlier Detectors [6.07963799001047]
  近傍平均化(NA)と呼ばれる,外乱検出のための外乱検出後処理手法を提案する。 我々は、よく知られたk-nearest neighbors(k-NN)を用いたNAの効果を実証する。
  論文  参考訳（メタデータ） (2023-03-17T13:44:52Z)
• Normalizing Flow based Feature Synthesis for Outlier-Aware Object Detection [8.249143014271887]
  Faster R-CNNのような汎用オブジェクト検出器は、外れ値のオブジェクトに対して過信的な予測を提供する傾向にある。 我々は,不整形オブジェクトと不整形オブジェクトを区別する,新しい不整形オブジェクト検出フレームワークを提案する。 提案手法は,画像データとビデオデータの両方において,外部認識オブジェクト検出の最先端性を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-02-01T13:12:00Z)
• RbA: Segmenting Unknown Regions Rejected by All [1.3381749415517021]
  マスク分類におけるオブジェクトクエリは、1対全分類器のように振る舞う傾向があることを示す。 本稿では,RbA と呼ばれる新しい外れ値スコアリング関数を提案する。 実験の結果,マスクの分類により既存の外乱検出法の性能が向上し,提案したRbAで最良の結果が得られた。
  論文  参考訳（メタデータ） (2022-11-25T18:50:04Z)
• A Tri-Layer Plugin to Improve Occluded Detection [100.99802831241583]
  本研究では,2段階物体検出装置の頭部検出のための単純な''モジュールを提案し,部分閉塞物体のリコールを改善する。 モジュールは、ターゲットオブジェクト、オクルーダー、オクラデーのセグメンテーションマスクの三層を予測し、それによってターゲットオブジェクトのマスクをより正確に予測することができる。 また,COCO評価データセットを構築し,部分閉塞オブジェクトと分離オブジェクトのリコール性能を測定した。
  論文  参考訳（メタデータ） (2022-10-18T17:59:51Z)
• Incremental-DETR: Incremental Few-Shot Object Detection via Self-Supervised Learning [60.64535309016623]
  本稿では,DeTRオブジェクト検出器上での微調整および自己教師型学習によるインクリメンタル・デクリメンタル・デクリメンタル・デクリメンタル・オブジェクト検出を提案する。 まず,DeTRのクラス固有のコンポーネントを自己監督で微調整する。 さらに,DeTRのクラス固有のコンポーネントに知識蒸留を施した数発の微調整戦略を導入し,破滅的な忘れを伴わずに新しいクラスを検出するネットワークを奨励する。
  論文  参考訳（メタデータ） (2022-05-09T05:08:08Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Homophily Outlier Detection in Non-IID Categorical Data [43.51919113927003]
  この研究は、新しい外れ値検出フレームワークとその2つのインスタンスを導入し、カテゴリデータの外れ値を特定する。 まず、分布に敏感な外部因子とその相互依存性を値値グラフベースの表現に定義し、組み込む。 学習した値の外れ度は、直接の外れ値検出または特徴選択の除外を可能にする。
  論文  参考訳（メタデータ） (2021-03-21T23:29:33Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。