論文の概要: SSD: A Unified Framework for Self-Supervised Outlier Detection

• arxiv url: http://arxiv.org/abs/2103.12051v1
• Date: Mon, 22 Mar 2021 17:51:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 17:06:23.125534
• Title: SSD: A Unified Framework for Self-Supervised Outlier Detection
• Title（参考訳）: SSD: 自己監視型アウトリア検出のための統一フレームワーク
• Authors: Vikash Sehwag, Mung Chiang, Prateek Mittal
• Abstract要約: ラベルなしの分布データのみに基づく異常検出器を提案する。 自己教師付き表現学習を行い,マハラノビス距離に基づく検出を行う。 可能であれば、トレーニングデータラベルを組み込むためのフレームワークを拡張します。
• 参考スコア（独自算出の注目度）: 37.254114112911786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We ask the following question: what training information is required to design an effective outlier/out-of-distribution (OOD) detector, i.e., detecting samples that lie far away from the training distribution? Since unlabeled data is easily accessible for many applications, the most compelling approach is to develop detectors based on only unlabeled in-distribution data. However, we observe that most existing detectors based on unlabeled data perform poorly, often equivalent to a random prediction. In contrast, existing state-of-the-art OOD detectors achieve impressive performance but require access to fine-grained data labels for supervised training. We propose SSD, an outlier detector based on only unlabeled in-distribution data. We use self-supervised representation learning followed by a Mahalanobis distance based detection in the feature space. We demonstrate that SSD outperforms most existing detectors based on unlabeled data by a large margin. Additionally, SSD even achieves performance on par, and sometimes even better, with supervised training based detectors. Finally, we expand our detection framework with two key extensions. First, we formulate few-shot OOD detection, in which the detector has access to only one to five samples from each class of the targeted OOD dataset. Second, we extend our framework to incorporate training data labels, if available. We find that our novel detection framework based on SSD displays enhanced performance with these extensions, and achieves state-of-the-art performance. Our code is publicly available at https://github.com/inspire-group/SSD.
• Abstract（参考訳）: トレーニング分布から遠く離れたサンプルを検出する、効果的なアウトリー/アウト・オブ・ディストリビューション(OOD)検出器の設計には、どのようなトレーニング情報が必要か? ラベルなしデータは多くのアプリケーションで簡単に利用できるため、最も説得力のあるアプローチはラベルなしの分布データのみに基づいて検出器を開発することである。 しかし、ラベルのないデータに基づく既存の検出器の多くは、ランダムな予測と同等であることが多い。 対照的に、既存の最先端のOOD検出器は優れた性能を発揮するが、教師あり訓練のためにはきめ細かいデータラベルにアクセスする必要がある。 本研究では,ラベルなしの分布データのみに基づく異常検出装置であるssdを提案する。 自己教師付き表現学習と,特徴空間におけるマハラノビス距離に基づく検出を用いる。 SSDは、ラベルのないデータに基づいて既存の検出器よりも大きなマージンで優れていることを示す。 さらにSSDは、教師付きトレーニングベースの検出器で同等、時にはそれ以上のパフォーマンスを実現している。 最後に、検出フレームワークを2つの主要な拡張で拡張します。 まず、数発のOOD検出を定式化し、対象のOODデータセットの各クラスから1〜5個のサンプルしか検出できないようにする。 第二に、利用可能であればトレーニングデータラベルを組み込むためのフレームワークを拡張します。 SSDに基づく新しい検出フレームワークは,これらの拡張により性能が向上し,最先端の性能を実現する。 私たちのコードはhttps://github.com/inspire-group/SSDで公開されています。

関連論文リスト

• Distribution Shifts at Scale: Out-of-distribution Detection in Earth Observation [4.457854503856095]
  アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)データとは異なる入力を特定するという課題に対処する。 スケーラブルな地理空間展開のためのポストホックOOD検出手法であるTARDISを提案する。 本手法は,事前学習モデル,IDデータWILDサンプル,WILDサンプルを用いて,後者をサロゲートIDに分離し,OODラベルをサロゲートする。 スケーラビリティを示すために、我々はFields of the WorldデータセットにTARDISをデプロイし、大規模デプロイメントのためのトレーニング済みモデルの振る舞いに関する実行可能な洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-18T00:10:44Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• Label-Efficient Object Detection via Region Proposal Network Pre-Training [58.50615557874024]
  地域提案ネットワーク(RPN)に効果的な事前学習を提供するための簡単な事前学習タスクを提案する。 RPN事前学習のないマルチステージ検出器と比較して,本手法はダウンストリームタスク性能を継続的に改善することができる。
  論文  参考訳（メタデータ） (2022-11-16T16:28:18Z)
• TDT: Teaching Detectors to Track without Fully Annotated Videos [2.8292841621378844]
  検知と外観の埋め込みの両方を予測するワンステージトラッカーは、多くの注目を集めた。 提案した1段階のソリューションは,2段階のソリューションと品質が一致するが,3倍高速である。
  論文  参考訳（メタデータ） (2022-05-11T15:56:17Z)
• Logit Normalization for Long-tail Object Detection [32.18963619434191]
  歪んだ分布を示す現実世界のデータは、既存の物体検出器に深刻な課題をもたらす。 バッチ正規化と同様な方法で検出器の分類されたロジットを自己校正する手法であるLogit Normalization(LogN)を提案する。 一般的に、当社のLogNは、トレーニングとチューニングの不要(つまり、追加のトレーニングとチューニングのプロセスを必要としない)、モデルとラベルの分布に依存しない、そしてプラグインとプレイである。
  論文  参考訳（メタデータ） (2022-03-31T13:28:51Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。