論文の概要: Detecting and Learning the Unknown in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2202.08700v1
• Date: Thu, 17 Feb 2022 15:07:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-18 14:33:55.703376
• Title: Detecting and Learning the Unknown in Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションにおける未知の検出と学習
• Authors: Robin Chan, Svenja Uhlemeyer, Matthias Rottmann and Hanno Gottschalk
• Abstract要約: セマンティックセグメンテーションは自動運転における認識にとって重要な要素である。 ディープニューラルネットワーク(DNN)はこのタスクに一般的に使われ、通常、クローズドオペレーショナルドメインに現れるオブジェクトクラスの閉じたセットでトレーニングされる。 本稿ではまず,情報理論の観点から異常について概説する。 セマンティックセグメンテーションにおける意味不明物体の検出に関する研究について概説する。 異常物体に対する高エントロピー応答の訓練は他の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 4.970364068620608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation is a crucial component for perception in automated driving. Deep neural networks (DNNs) are commonly used for this task and they are usually trained on a closed set of object classes appearing in a closed operational domain. However, this is in contrast to the open world assumption in automated driving that DNNs are deployed to. Therefore, DNNs necessarily face data that they have never encountered previously, also known as anomalies, which are extremely safety-critical to properly cope with. In this work, we first give an overview about anomalies from an information-theoretic perspective. Next, we review research in detecting semantically unknown objects in semantic segmentation. We demonstrate that training for high entropy responses on anomalous objects outperforms other recent methods, which is in line with our theoretical findings. Moreover, we examine a method to assess the occurrence frequency of anomalies in order to select anomaly types to include into a model's set of semantic categories. We demonstrate that these anomalies can then be learned in an unsupervised fashion, which is particularly suitable in online applications based on deep learning.
• Abstract（参考訳）: セマンティックセグメンテーションは自動運転における認識にとって重要な要素である。 ディープニューラルネットワーク(DNN)はこのタスクに一般的に使われ、通常、閉じた操作領域に現れるオブジェクトクラスの閉じたセットでトレーニングされる。 しかしこれは、DNNがデプロイされる自動運転におけるオープンワールドの仮定とは対照的である。 したがって、DNNは、これまで遭遇したことのないデータ(異常とも呼ばれる)に直面している必要がある。 本稿では,まず,情報理論的な観点からの異常について概観する。 次に,セマンティックセグメンテーションにおける意味不明物体の検出に関する研究について述べる。 我々は,異常物体に対する高いエントロピー応答の訓練が,我々の理論的知見に合致する他の手法よりも優れていることを実証する。 さらに,モデルのセマンティクスのセットに含まれる異常タイプを選択するために,異常の発生頻度を評価する手法について検討する。 これらの異常は教師なしの方法で学習できることを示し、ディープラーニングに基づくオンラインアプリケーションに特に適している。

関連論文リスト

• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• A Vision Inspired Neural Network for Unsupervised Anomaly Detection in Unordered Data [0.0]
  教師なし機械学習の分野における根本的な問題は、まれで異常な関心の観測に対応する異常の検出である。 本研究は、知覚アルゴリズムが用いたアプローチと、神経生理学と計算神経科学におけるこれまでの数十年の研究の間に重要な、実践的なつながりを確立することを目的とする。 このアルゴリズムは、予期せぬ観察を異常として信号する学習を行う教師なしニューラルネットワークのカーネルを形成するニューロンモデルとして概念化されている。
  論文  参考訳（メタデータ） (2022-05-13T15:50:57Z)
• A Uniform Framework for Anomaly Detection in Deep Neural Networks [0.5099811144731619]
  異常入力のクラスを3つ検討する。 1)DNNとは異なる分布からの自然な入力は、OOD(Out-of-Distribution)サンプルとして訓練される。 2) 攻撃者によるIDから生成された入力は、しばしば敵(AD)サンプルとして知られ、(3)無意味なデータから生成されたノイズ(NS)サンプルである。 事前学習したDNNに対して,これらすべての異常を検出することを目的としたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-06T22:42:30Z)
• Double-Adversarial Activation Anomaly Detection: Adversarial Autoencoders are Anomaly Generators [0.0]
  異常検出は、固有のクラス不均衡のため、機械学習アルゴリズムにとって難しいタスクである。 生成モデルに着想を得て,ニューラルネットワークの隠れ活性化の解析を行い,DA3Dと呼ばれる新しい教師なし異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-01-12T18:07:34Z)
• Sub-clusters of Normal Data for Anomaly Detection [0.15229257192293197]
  データ分析における異常検出は、現実のアプリケーションでは興味深いが、それでも難しい研究トピックである。 既存の異常検出手法は、ImageNetのような高次元データによる限られた性能を示す。 本稿では,高次元および複雑な正規データを用いた異常検出について検討する。
  論文  参考訳（メタデータ） (2020-11-17T03:53:31Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。