論文の概要: DenseHybrid: Hybrid Anomaly Detection for Dense Open-set Recognition
- arxiv url: http://arxiv.org/abs/2207.02606v1
- Date: Wed, 6 Jul 2022 11:48:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-07 19:59:00.607760
- Title: DenseHybrid: Hybrid Anomaly Detection for Dense Open-set Recognition
- Title（参考訳）: densehybrid: 密閉集合認識のためのハイブリッド異常検出
- Authors: Matej Grci\'c, Petra Bevandi\'c, Sini\v{s}a \v{S}egvi\'c
- Abstract要約: 異常検出は、正規トレーニングデータの生成的モデリングや、負のトレーニングデータに対する識別によって行うことができる。
本稿では,大きな自然画像に対して密集した開集合認識が可能なハイブリッド異常スコアを提案する。
実験では, 標準密度異常検出ベンチマークと, オープンセット性能の新たな指標であるopen-mIoUについて評価した。
- 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: Anomaly detection can be conceived either through generative modelling of
regular training data or by discriminating with respect to negative training
data. These two approaches exhibit different failure modes. Consequently,
hybrid algorithms present an attractive research goal. Unfortunately, dense
anomaly detection requires translational equivariance and very large input
resolutions. These requirements disqualify all previous hybrid approaches to
the best of our knowledge. We therefore design a novel hybrid algorithm based
on reinterpreting discriminative logits as a logarithm of the unnormalized
joint distribution $\hat{p}(\mathbf{x}, \mathbf{y})$. Our model builds on a
shared convolutional representation from which we recover three dense
predictions: i) the closed-set class posterior $P(\mathbf{y}|\mathbf{x})$, ii)
the dataset posterior $P(d_{in}|\mathbf{x})$, iii) unnormalized data likelihood
$\hat{p}(\mathbf{x})$. The latter two predictions are trained both on the
standard training data and on a generic negative dataset. We blend these two
predictions into a hybrid anomaly score which allows dense open-set recognition
on large natural images. We carefully design a custom loss for the data
likelihood in order to avoid backpropagation through the untractable
normalizing constant $Z(\theta)$. Experiments evaluate our contributions on
standard dense anomaly detection benchmarks as well as in terms of open-mIoU -
a novel metric for dense open-set performance. Our submissions achieve
state-of-the-art performance despite neglectable computational overhead over
the standard semantic segmentation baseline.
- Abstract（参考訳）: 異常検出は、正規トレーニングデータの生成的モデリングや、負のトレーニングデータに対する識別によって行うことができる。
これら2つのアプローチは、異なる障害モードを示す。
その結果、ハイブリッドアルゴリズムは魅力的な研究目標を示す。
残念なことに、高密度異常検出には翻訳等比と非常に大きな入力分解能が必要である。
これらの要件は、これまでのすべてのハイブリッドアプローチを最善の知識に失格させます。
そこで我々は,非正規化ジョイント分布 $\hat{p}(\mathbf{x}, \mathbf{y})$ の対数として識別的ロジットの再解釈に基づく新しいハイブリッドアルゴリズムを設計する。
私たちのモデルは、3つの密集した予測を復元する共有畳み込み表現に基づいている。
i) 閉集合クラス後続$P(\mathbf{y}|\mathbf{x})$,
ii)$P(d_{in}|\mathbf{x})$
iii)非正規化データは$\hat{p}(\mathbf{x})$である。
後者の2つの予測は、標準のトレーニングデータと一般的な負のデータセットの両方でトレーニングされる。
これら2つの予測をハイブリッドな異常スコアに組み合わせ、大きな自然画像に対して密集した開集合認識を可能にする。
引き込み不能な正規化定数 $z(\theta)$ によるバックプロパゲーションを避けるために、データ可能性のカスタムロスを慎重に設計する。
実験では, 高密度オープンセット性能のためのオープンmIoUa新指標と同様に, 標準密度異常検出ベンチマークへのコントリビューションの評価を行った。
標準セマンティクスセグメンテーションベースラインよりも計算オーバーヘッドが無視できるにもかかわらず,提案手法は最先端のパフォーマンスを達成している。
関連論文リスト
- Smoothed Normalization for Efficient Distributed Private Optimization [54.197255548244705]
フェデレートされた学習は、参加者のプライバシを備えた機械学習モデルを可能にする。
トレーニングやフィードバックのない問題に対して、差分にプライベートな分散手法は存在しない。
証明可能な収束保証付き分散アルゴリズム$alpha$-$sf NormEC$を導入する。
論文 参考訳（メタデータ） (2025-02-19T07:10:32Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Adversarial Anomaly Detection using Gaussian Priors and Nonlinear
Anomaly Scores [0.21847754147782888]
不均衡データセットにおける異常検出は、特に医療領域において頻繁にかつ重要な問題である。
本稿では,$beta$-variational autoencoder(VAE)の生成安定性とGAN(Generative Adversarial Network)の識別強度を組み合わせることで,新たなモデルである$beta$-VAEGANを提案する。
本稿では,モデルの識別的,再構成的能力に基づいて,異常スコアを構成する手法について検討する。
論文 参考訳（メタデータ） (2023-10-27T12:24:08Z) - Conformalization of Sparse Generalized Linear Models [2.1485350418225244]
等角予測法は、任意の有限サンプルサイズに対して有効である$y_n+1$の信頼セットを推定する。
魅力的ではあるが、そのような集合の計算は多くの回帰問題において計算不可能である。
経路追従アルゴリズムが共形予測集合を正確に近似する方法を示す。
論文 参考訳（メタデータ） (2023-07-11T08:36:12Z) - Hybrid Open-set Segmentation with Synthetic Negative Data [0.0]
開集合セグメンテーションは、閉集合分類と異常検出を補完することで実現できる。
生成的および識別的手がかりを融合させる新しい異常スコアを提案する。
実験では、計算オーバーヘッドが無視できないにもかかわらず、強力なオープンセット性能を示す。
論文 参考訳（メタデータ） (2023-01-19T11:02:44Z) - A Robust and Flexible EM Algorithm for Mixtures of Elliptical
Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。
楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。
合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文 参考訳（メタデータ） (2022-01-28T10:01:37Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳（メタデータ） (2021-06-06T19:08:53Z) - Binary Classification of Gaussian Mixtures: Abundance of Support
Vectors, Benign Overfitting and Regularization [39.35822033674126]
生成ガウス混合モデルに基づく二項線形分類について検討する。
後者の分類誤差に関する新しい非漸近境界を導出する。
この結果は, 確率が一定である雑音モデルに拡張される。
論文 参考訳（メタデータ） (2020-11-18T07:59:55Z) - 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) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z) - Bayesian Semi-supervised Multi-category Classification under Nonparanormality [2.307581190124002]
セミ教師付き学習はラベル付きデータとラベルなしデータの両方を使用するモデルトレーニング手法である。
本稿では,任意のカテゴリ分類問題に適用可能なベイズ半教師付き学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-11T21:31:25Z)
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。