論文の概要: Dense open-set recognition with synthetic outliers generated by Real NVP

• arxiv url: http://arxiv.org/abs/2011.11094v1
• Date: Sun, 22 Nov 2020 19:40:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 12:09:53.972377
• Title: Dense open-set recognition with synthetic outliers generated by Real NVP
• Title（参考訳）: 実nvpによる合成異常値を用いた高密度オープンセット認識
• Authors: Matej Grci\'c, Petra Bevandi\'c and Sini\v{s}a \v{S}egvi\'c
• Abstract要約: 我々は,共同学習型合成外乱器を用いた識別訓練に基づく外乱検出手法を検討する。 本手法は, 同時セマンティックセグメンテーションと高密度外乱検出に適応可能であることを示す。 フォワードパスが1つしかない予測を生成するにもかかわらず、我々のモデルは、最先端技術に関して競争的に機能する。
• 参考スコア（独自算出の注目度）: 1.278093617645299
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Today's deep models are often unable to detect inputs which do not belong to the training distribution. This gives rise to confident incorrect predictions which could lead to devastating consequences in many important application fields such as healthcare and autonomous driving. Interestingly, both discriminative and generative models appear to be equally affected. Consequently, this vulnerability represents an important research challenge. We consider an outlier detection approach based on discriminative training with jointly learned synthetic outliers. We obtain the synthetic outliers by sampling an RNVP model which is jointly trained to generate datapoints at the border of the training distribution. We show that this approach can be adapted for simultaneous semantic segmentation and dense outlier detection. We present image classification experiments on CIFAR-10, as well as semantic segmentation experiments on three existing datasets (StreetHazards, WD-Pascal, Fishyscapes Lost & Found), and one contributed dataset. Our models perform competitively with respect to the state of the art despite producing predictions with only one forward pass.
• Abstract（参考訳）: 今日の深層モデルは、訓練分布に属さない入力を検出することができないことが多い。 これは、医療や自動運転など、多くの重要なアプリケーション分野において破滅的な結果をもたらす可能性のある、自信のない誤った予測をもたらす。 興味深いことに、差別モデルと生成モデルの両方が同様に影響を受けているようだ。 したがって、この脆弱性は重要な研究課題である。 我々は,共同学習型合成外乱器を用いた識別訓練に基づく外乱検出手法を検討する。 訓練分布の境界でデータポイントを生成するために共同で訓練されたrnvpモデルをサンプリングして合成異常値を得る。 本手法は,同時セマンティックセグメンテーションと高密度外乱検出に適応可能であることを示す。 本稿では,cifar-10の画像分類実験と,既存の3つのデータセット(streethazards,wd-pascal,fishyscapes lost & found)と1つのコントリビュートデータセットのセマンティックセグメンテーション実験について述べる。 私たちのモデルは、フォワードパスを1回だけ生成しながらも、芸術の状況に関して競争的に機能します。

関連論文リスト

• FullCert: Deterministic End-to-End Certification for Training and Inference of Neural Networks [62.897993591443594]
  FullCertは、音と決定論的境界を持つ最初のエンドツーエンドの認証器である。 2つのデータセットに対してFullCertの有効性を実験的に示す。
  論文  参考訳（メタデータ） (2024-06-17T13:23:52Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Explicit Tradeoffs between Adversarial and Natural Distributional Robustness [48.44639585732391]
  実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。 本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
  論文  参考訳（メタデータ） (2022-09-15T19:58:01Z)
• Uncertainty in Contrastive Learning: On the Predictability of Downstream Performance [7.411571833582691]
  このような表現の不確実性は、単一のデータポイントに対して有意義な方法で定量化できるかどうかを考察する。 埋め込み空間におけるトレーニングデータの分布を直接推定することにより,この目標を達成することができることを示す。
  論文  参考訳（メタデータ） (2022-07-19T15:44:59Z)
• Autoencoder Attractors for Uncertainty Estimation [13.618797548020462]
  本稿では,オートエンコーダモデルに基づく不確実性推定手法を提案する。 提案手法は,車室内における占有者分類の産業的応用だけでなく,いくつかのデータセットの組み合わせについても検討した。
  論文  参考訳（メタデータ） (2022-04-01T12:10:06Z)
• VOS: Learning What You Don't Know by Virtual Outlier Synthesis [23.67449949146439]
  最近、ニューラルネットワークの安全なデプロイの重要性から、アウト・オブ・ディストリビューション(OOD)検出が注目されている。 従来のアプローチでは、モデル正則化に実際の外れ値データセットを頼っていた。 仮想外れ値の適応合成によるOOD検出のための新しいフレームワークであるVOSを提案する。
  論文  参考訳（メタデータ） (2022-02-02T18:43:01Z)
• Dense Out-of-Distribution Detection by Robust Learning on Synthetic Negative Data [1.7474352892977458]
  道路走行シーンとリモートセンシング画像における分布外異常の検出方法を示す。 我々は,カバレッジ指向学習の目的と異なる解像度でサンプルを生成する能力により,共同で訓練された正規化フローを活用する。 結果として得られたモデルは、道路走行シーンとリモートセンシング画像におけるアウト・オブ・ディストリビューション検出のためのベンチマークに、新たな技術状況を設定した。
  論文  参考訳（メタデータ） (2021-12-23T20:35:10Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。