論文の概要: Semantically Coherent Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2108.11941v1
- Date: Thu, 26 Aug 2021 17:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-27 14:48:28.168459
- Title: Semantically Coherent Out-of-Distribution Detection
- Title(参考訳): Semantically Coherent Out-of-Distribution Detection
- Authors: Jingkang Yang, Haoqi Wang, Litong Feng, Xiaopeng Yan, Huabin Zheng,
Wayne Zhang, Ziwei Liu
- Abstract要約: 現在のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、ひとつのデータセットをイン・ディストリビューション(ID)として定義し、他のすべてのデータセットをOODとして定義することで、一般的に構築されている。
ベンチマークを再設計し、セマンティック・コヒーレント・アウト・オブ・ディストリビューション検出(SC-OOD)を提案する。
本手法は,SC-OODベンチマークにおける最先端性能を実現する。
- 参考スコア(独自算出の注目度): 26.224146828317277
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current out-of-distribution (OOD) detection benchmarks are commonly built by
defining one dataset as in-distribution (ID) and all others as OOD. However,
these benchmarks unfortunately introduce some unwanted and impractical goals,
e.g., to perfectly distinguish CIFAR dogs from ImageNet dogs, even though they
have the same semantics and negligible covariate shifts. These unrealistic
goals will result in an extremely narrow range of model capabilities, greatly
limiting their use in real applications. To overcome these drawbacks, we
re-design the benchmarks and propose the semantically coherent
out-of-distribution detection (SC-OOD). On the SC-OOD benchmarks, existing
methods suffer from large performance degradation, suggesting that they are
extremely sensitive to low-level discrepancy between data sources while
ignoring their inherent semantics. To develop an effective SC-OOD detection
approach, we leverage an external unlabeled set and design a concise framework
featured by unsupervised dual grouping (UDG) for the joint modeling of ID and
OOD data. The proposed UDG can not only enrich the semantic knowledge of the
model by exploiting unlabeled data in an unsupervised manner, but also
distinguish ID/OOD samples to enhance ID classification and OOD detection tasks
simultaneously. Extensive experiments demonstrate that our approach achieves
state-of-the-art performance on SC-OOD benchmarks. Code and benchmarks are
provided on our project page: https://jingkang50.github.io/projects/scood.
- Abstract(参考訳): 現在のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、ひとつのデータセットをイン・ディストリビューション(ID)として定義し、他のすべてのデータセットをOODとして定義することで、一般的に構築されている。
しかし、これらのベンチマークでは残念ながら、同じセマンティクスと不可分な共変量シフトを持つにもかかわらず、cifar犬とimagenet犬を完全に区別するという、望ましくない、非現実的目標がいくつか導入されている。
これらの非現実的な目標は、非常に狭い範囲のモデル能力をもたらし、実際のアプリケーションでの使用を大幅に制限します。
これらの欠点を克服するために、ベンチマークを再設計し、セマンティクス的にコヒーレントな分散検出(sc-ood)を提案する。
SC-OODベンチマークでは、既存の手法は大きなパフォーマンス劣化に悩まされており、データソース間の低レベル差に非常に敏感であり、固有のセマンティクスを無視していることが示唆されている。
効果的なSC-OOD検出手法を開発するために、外部ラベル付きデータセットを活用し、IDとOODデータの共同モデリングのための教師なし二重グループ化(UDG)を特徴とする簡潔なフレームワークを設計する。
提案するudgは,教師なしのデータを活用し,モデルの意味知識を充実させるだけでなく,id/oodサンプルを識別することで,id分類とood検出タスクを同時に行うことができる。
本手法はSC-OODベンチマークにおける最先端性能を実現する。
コードとベンチマークはプロジェクトのページで提供されています。
関連論文リスト
- How Does Unlabeled Data Provably Help Out-of-Distribution Detection? [63.41681272937562]
in-distribution (ID) とout-of-distribution (OOD) の両データの不均一性のため、未ラベルの in-the-wild データは非自明である。
本稿では,理論的保証と実証的有効性の両方を提供する新たな学習フレームワークであるSAL(Separate And Learn)を紹介する。
論文 参考訳(メタデータ) (2024-02-05T20:36:33Z) - 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) - Nearest Neighbor Guidance for Out-of-Distribution Detection [18.851275688720108]
そこで本研究では,最寄りのNearest Neighbor Guidance (NNGuide) を用いて,オフ・オブ・ディストリビューション(OOD) サンプルの検出を行う。
NNGuideは、分類器ベースのスコアのきめ細かい機能を維持しながら、OODサンプルの過信を低減する。
この結果から,NNGuideはベース検出スコアを大幅に向上することがわかった。
論文 参考訳(メタデータ) (2023-09-26T12:40:35Z) - From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
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)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。
近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。
グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
論文 参考訳(メタデータ) (2023-08-20T11:56:25Z) - How Does Fine-Tuning Impact Out-of-Distribution Detection for
Vision-Language Models? [35.15232426182503]
数ショットダウンストリームタスクに対するOOD検出の微調整の影響について検討する。
以上の結果から,OODスコアの適切な選択はCLIPに基づく微調整に不可欠であることが示唆された。
また, 即時学習は, ゼロショットに比較して最先端のOOD検出性能を示すことを示す。
論文 参考訳(メタデータ) (2023-06-09T17:16:50Z) - Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric
Perspective [55.45202687256175]
アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。
本稿では,OOD検出における教師なし評価問題を初めて紹介する。
我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
論文 参考訳(メタデータ) (2023-02-16T13:34:35Z) - Augmenting Softmax Information for Selective Classification with
Out-of-Distribution Data [7.221206118679026]
既存のポストホック法はOOD検出でのみ評価した場合とは大きく異なる性能を示す。
本稿では,特徴に依存しない情報を用いて,ソフトマックスに基づく信頼度を向上するSCOD(Softmax Information Retaining Combination, SIRC)の新たな手法を提案する。
多様なImageNetスケールのデータセットと畳み込みニューラルネットワークアーキテクチャの実験は、SIRCがSCODのベースラインを一貫して一致または上回っていることを示している。
論文 参考訳(メタデータ) (2022-07-15T14:39:57Z) - No Shifted Augmentations (NSA): compact distributions for robust
self-supervised Anomaly Detection [4.243926243206826]
教師なし異常検出(AD)は正規化の概念を構築し、分布内(ID)と分布外(OOD)データを区別する必要がある。
我々は,ID特徴分布のエンフ幾何学的コンパクト性によって,外乱の分離や検出が容易になるかを検討する。
我々は,IDデータのコンパクトな分布を学習可能にする自己教師型特徴学習ステップに,新たなアーキテクチャ変更を提案する。
論文 参考訳(メタデータ) (2022-03-19T15:55:32Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳(メタデータ) (2021-08-03T17:09:56Z) - Enhancing the Generalization for Intent Classification and Out-of-Domain
Detection in SLU [70.44344060176952]
インテント分類は、音声言語理解(SLU)における主要な課題である
近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。
本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
論文 参考訳(メタデータ) (2021-06-28T08:27:38Z)
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。