論文の概要: No Shifted Augmentations (NSA): compact distributions for robust
self-supervised Anomaly Detection
- arxiv url: http://arxiv.org/abs/2203.10344v1
- Date: Sat, 19 Mar 2022 15:55:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 16:56:08.258105
- Title: No Shifted Augmentations (NSA): compact distributions for robust
self-supervised Anomaly Detection
- Title(参考訳): No Shifted Augmentations (NSA):堅牢な自己監督型異常検出のためのコンパクト分布
- Authors: Mohamed Yousef, Marcel Ackermann, Unmesh Kurup, Tom Bishop
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.243926243206826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised Anomaly detection (AD) requires building a notion of normalcy,
distinguishing in-distribution (ID) and out-of-distribution (OOD) data, using
only available ID samples. Recently, large gains were made on this task for the
domain of natural images using self-supervised contrastive feature learning as
a first step followed by kNN or traditional one-class classifiers for feature
scoring. Learned representations that are non-uniformly distributed on the unit
hypersphere have been shown to be beneficial for this task. We go a step
further and investigate how the \emph {geometrical compactness} of the ID
feature distribution makes isolating and detecting outliers easier, especially
in the realistic situation when ID training data is polluted (i.e. ID data
contains some OOD data that is used for learning the feature extractor
parameters). We propose novel architectural modifications to the
self-supervised feature learning step, that enable such compact distributions
for ID data to be learned. We show that the proposed modifications can be
effectively applied to most existing self-supervised objectives, with large
gains in performance. Furthermore, this improved OOD performance is obtained
without resorting to tricks such as using strongly augmented ID images (e.g. by
90 degree rotations) as proxies for the unseen OOD data, as these impose overly
prescriptive assumptions about ID data and its invariances. We perform
extensive studies on benchmark datasets for one-class OOD detection and show
state-of-the-art performance in the presence of pollution in the ID data, and
comparable performance otherwise. We also propose and extensively evaluate a
novel feature scoring technique based on the angular Mahalanobis distance, and
propose a simple and novel technique for feature ensembling during evaluation
that enables a big boost in performance at nearly zero run-time cost.
- Abstract(参考訳): 教師なし異常検出(AD)は正規化の概念を構築し、利用可能なIDサンプルのみを使用して、分布内(ID)と分布外(OOD)データを区別する必要がある。
近年, 自然画像領域において, 自己教師付きコントラスト特徴学習を第1ステップとして, kNN や従来の特徴評価用一階分類器に次いで大きな成果を上げている。
単位超球面上に一様分布しない学習表現は、このタスクに有益であることが示されている。
我々はさらに、ID特徴分布の‘emph {geometrical compactness’が、特にIDトレーニングデータが汚染された現実的な状況において、アウトリーチの分離と検出を容易にする(例えば、IDデータは、特徴抽出パラメータの学習に使用されるOODデータを含んでいる)方法について検討する。
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。
提案する修正は,既存の自己監督目標の多くに効果的に適用可能であり,高い性能向上が期待できることを示す。
さらに、この改良されたOOD性能は、強い拡張ID画像(例えば90度回転)を未知のOODデータのプロキシとして用いるようなトリックを使わずに得られ、これらはIDデータとその不変性に関する過度に規範的な仮定を課す。
我々は,一級OOD検出のためのベンチマークデータセットについて広範な研究を行い,IDデータに汚染が存在する場合の最先端性能と同等の性能を示す。
また, 角マハラノビス距離に基づく新しい特徴点スコアリング手法を提案し, 評価中の特徴点センシングのための簡易かつ新しい手法を提案する。
関連論文リスト
- What If the Input is Expanded in OOD Detection? [77.37433624869857]
Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。
In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。
入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
論文 参考訳(メタデータ) (2024-10-24T06:47:28Z) - Margin-bounded Confidence Scores for Out-of-Distribution Detection [2.373572816573706]
本稿では,非自明なOOD検出問題に対処するため,Margin bounded Confidence Scores (MaCS) と呼ばれる新しい手法を提案する。
MaCS は ID と OOD のスコアの差を拡大し、決定境界をよりコンパクトにする。
画像分類タスクのための様々なベンチマークデータセットの実験により,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2024-09-22T05:40:25Z) - Diffusion based Semantic Outlier Generation via Nuisance Awareness for Out-of-Distribution Detection [9.936136347796413]
アウト・オブ・ディストリビューション(OOD)検出は、最近、合成OODデータセットによるトレーニングを通じて有望な結果を示している。
本稿では, 難解な外乱を生じさせる新しいフレームワークであるセマンティック外乱生成手法(SONA)を提案する。
提案手法はSONAガイダンスを取り入れ,IDサンプルの意味領域とニュアンス領域を分離的に制御する。
論文 参考訳(メタデータ) (2024-08-27T07:52:44Z) - Long-Tailed Out-of-Distribution Detection: Prioritizing Attention to Tail [21.339310734169665]
本稿では,減量ではなく増量によるPATT法を提案する。
我々の主な直感は、von Mises-Fisher(vMF)分布を混合してIDデータと温度スケーリングモジュールをモデル化し、IDデータの信頼性を高めることである。
提案手法は, 様々なベンチマークにおいて, 現在の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2024-08-13T09:03:00Z) - 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) - Diversified Outlier Exposure for Out-of-Distribution Detection via
Informative Extrapolation [110.34982764201689]
Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。
近年, 外部曝露によるOOD検出に有意な結果が得られた。
本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
論文 参考訳(メタデータ) (2023-10-21T07:16:09Z) - 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) - Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection
Capability [70.72426887518517]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。
本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。
本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文 参考訳(メタデータ) (2023-06-06T14:23:34Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - 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) - Training OOD Detectors in their Natural Habitats [31.565635192716712]
アウト・オブ・ディストリビューション(OOD)検出は、野生にデプロイされた機械学習モデルにとって重要である。
近年の手法では,OOD検出の改善のために補助外乱データを用いてモデルを正規化している。
我々は、自然にIDとOODの両方のサンプルで構成される野生の混合データを活用する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-07T15:38:39Z)
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。