論文の概要: Multiscale Score Matching for Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2010.13132v3
• Date: Tue, 23 Mar 2021 14:52:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 04:59:18.813003
• Title: Multiscale Score Matching for Out-of-Distribution Detection
• Title（参考訳）: out-of-distribution detectionのためのマルチスケールスコアマッチング
• Authors: Ahsan Mahmood, Junier Oliva, Martin Styner
• Abstract要約: 本稿では,複数の雑音尺度におけるスコア推定のノルムを利用して,分布外画像(OOD)の検出手法を提案する。 我々の方法論は完全に教師なしであり、まっすぐな前向きのトレーニングスキームに従っています。
• 参考スコア（独自算出の注目度）: 19.61640396236456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a new methodology for detecting out-of-distribution (OOD) images by utilizing norms of the score estimates at multiple noise scales. A score is defined to be the gradient of the log density with respect to the input data. Our methodology is completely unsupervised and follows a straight forward training scheme. First, we train a deep network to estimate scores for levels of noise. Once trained, we calculate the noisy score estimates for N in-distribution samples and take the L2-norms across the input dimensions (resulting in an NxL matrix). Then we train an auxiliary model (such as a Gaussian Mixture Model) to learn the in-distribution spatial regions in this L-dimensional space. This auxiliary model can now be used to identify points that reside outside the learned space. Despite its simplicity, our experiments show that this methodology significantly outperforms the state-of-the-art in detecting out-of-distribution images. For example, our method can effectively separate CIFAR-10 (inlier) and SVHN (OOD) images, a setting which has been previously shown to be difficult for deep likelihood models.
• Abstract（参考訳）: 本稿では,複数の雑音尺度におけるスコア推定のノルムを利用して,分布外画像(OOD)の検出手法を提案する。 スコアは、入力データに対するログ密度の勾配として定義される。 我々の方法論は完全に教師なしであり、真っ直ぐ前進訓練スキームに従っています。 まず、ノイズレベルのスコアを推定するために、ディープネットワークをトレーニングする。 訓練後、N分布サンプルの雑音スコア推定値を算出し、入力次元をまたいでL2ノルムを(NxL行列で)取る。 そして、補助モデル(ガウス混合モデルなど)を訓練して、このL次元空間における分布内空間領域を学習する。 この補助モデルは、学習空間の外にある点を特定するのに利用できる。 この手法は,その単純さにもかかわらず,分布外画像の検出における最先端の手法よりも優れていることを示す。 例えば、この方法では、cifar-10 (inlier) とsvhn (ood) のイメージを効果的に分離することができる。

関連論文リスト

• Hierarchical Visual Categories Modeling: A Joint Representation Learning and Density Estimation Framework for Out-of-Distribution Detection [28.442470704073767]
  本稿では,分布外データと分布内データとを分離する階層型視覚カテゴリーモデリング手法を提案する。 我々は、CIFAR、iNaturalist、SUN、Places、Textures、ImageNet-O、OpenImage-Oを含む7つの人気のあるベンチマーク実験を行った。 我々の視覚表現は古典的手法で学習した特徴と比較して競争力がある。
  論文  参考訳（メタデータ） (2024-08-28T07:05:46Z)
• An accurate detection is not all you need to combat label noise in web-noisy datasets [23.020126612431746]
  分離した超平面の直接推定により,OOD試料の正確な検出が可能であることを示す。 本稿では,線形分離を用いた雑音検出とSOTA(State-of-the-art-the-loss)アプローチを交互に行うハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-08T00:21:42Z)
• Direct Unsupervised Denoising [60.71146161035649]
  教師なしのデノイザは、MMSE推定のような単一の予測を直接生成しない。 本稿では,VAEと並んで決定論的ネットワークを訓練し,中心的な傾向を直接予測するアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-27T13:02:12Z)
• PNI : Industrial Anomaly Detection using Position and Neighborhood Information [6.316693022958221]
  本研究では,条件付き近傍特徴量を用いて正規分布を推定する新しいアルゴリズム textbfPNI を提案する。 我々はMVTec ADベンチマークデータセットの実験を行い、異常検出と局所化におけるtextbf99.56%と textbf98.98%のAUROCスコアを用いて最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2022-11-22T23:45:27Z)
• Denoising diffusion models for out-of-distribution detection [2.113925122479677]
  我々は,確率拡散モデル(DDPM)を自己エンコーダの復号化として活用する。 DDPMを用いてノイズレベルの範囲の入力を再構成し,結果の多次元再構成誤差を用いてアウト・オブ・ディストリビューション入力を分類する。
  論文  参考訳（メタデータ） (2022-11-14T20:35:11Z)
• ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
  GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
  論文  参考訳（メタデータ） (2022-10-27T02:55:15Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Score-based diffusion models for accelerated MRI [35.3148116010546]
  本研究では,画像中の逆問題を容易に解けるような条件分布からデータをサンプリングする方法を提案する。 我々のモデルは、訓練のためにのみ等級画像を必要とするが、複雑な値のデータを再構成することができ、さらに並列画像まで拡張できる。
  論文  参考訳（メタデータ） (2021-10-08T08:42:03Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Generalized ODIN: Detecting Out-of-distribution Image without Learning from Out-of-distribution Data [87.61504710345528]
  我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。 具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。 大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
  論文  参考訳（メタデータ） (2020-02-26T04:18:25Z)

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。