Fugu-MT 論文翻訳(概要): Back to the Basics: Revisiting Out-of-Distribution Detection Baselines

論文の概要: Back to the Basics: Revisiting Out-of-Distribution Detection Baselines

arxiv url: http://arxiv.org/abs/2207.03061v1
Date: Thu, 7 Jul 2022 03:04:09 GMT
ステータス: 処理完了
システム内更新日: 2022-07-08 12:55:13.120177
Title: Back to the Basics: Revisiting Out-of-Distribution Detection Baselines
Title（参考訳）: Back to the Basics: Revisiting Out-of-Distribution Detection Baselines
Authors: Johnson Kuan, Jonas Mueller
Abstract要約: 既に訓練済みの分類器と互換性のあるOOD画像検出のための簡単な手法について検討する。モデルの予測のみを考慮する手法は、学習した表現も考慮し、容易に性能を向上できる。
参考スコア（独自算出の注目度）: 19.84626033109009
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study simple methods for out-of-distribution (OOD) image detection that are compatible with any already trained classifier, relying on only its predictions or learned representations. Evaluating the OOD detection performance of various methods when utilized with ResNet-50 and Swin Transformer models, we find methods that solely consider the model's predictions can be easily outperformed by also considering the learned representations. Based on our analysis, we advocate for a dead-simple approach that has been neglected in other studies: simply flag as OOD images whose average distance to their K nearest neighbors is large (in the representation space of an image classifier trained on the in-distribution data).
Abstract（参考訳）: 既に訓練済みの分類器と互換性のあるood(out-of-distribution)画像検出のための簡易な手法を,その予測や学習表現のみに依存して検討した。 ResNet-50 と Swin Transformer モデルを用いて様々な手法の OOD 検出性能を評価することにより,モデルの予測のみを考慮した手法は,学習した表現も考慮し,容易に向上できることを示す。そこで本研究では,K近傍の平均距離が広いOOD画像(分布内データに基づいて訓練された画像分類器の表現空間)としてフラグを付けることで,他の研究で無視された致命的アプローチを提唱する。

関連論文リスト

WeiPer: OOD Detection using Weight Perturbations of Class Projections [11.130659240045544]
入力のよりリッチな表現を生成する最終完全連結層にクラスプロジェクションの摂動を導入する。我々はOpenOODフレームワークの複数のベンチマークで最先端のOOD検出結果を得る。
論文参考訳（メタデータ） (2024-05-27T13:38:28Z)
Comprehensive OOD Detection Improvements [46.46252643210326]
このタスクのために、アウト・オブ・ディストリビューション(OOD)検出手法が作成されている。我々は,時間的高速化と性能向上の両面において,特徴埋め込みの次元的削減を表現ベース手法に適用する。提案手法の有効性を,OpenOODv1.5ベンチマークフレームワーク上で実証する。
論文参考訳（メタデータ） (2024-01-18T18:05:35Z)
Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
論文参考訳（メタデータ） (2023-02-06T08:24:41Z)
Heatmap-based Out-of-Distribution Detection [5.7575052885308455]
分布領域と分布領域を可視化しながらOOD画像を検出するヒートマップ表現を学習する。我々はデコーダニューラルネットワークをトレーニングし、OODサンプルの分布内サンプルに対する応答ゼロのヒートマップと高応答ヒートマップを生成する。
論文参考訳（メタデータ） (2022-11-15T13:09:54Z)
A Simple Test-Time Method for Out-of-Distribution Detection [45.11199798139358]
本稿では,OOD検出のための簡易なテスト時間線形訓練法を提案する。分布外である入力画像の確率は、ニューラルネットワークが抽出した特徴と驚くほど線形に相関していることがわかった。本稿では,提案手法のオンライン版を提案し,実世界のアプリケーションでより実用的な性能を実現する。
論文参考訳（メタデータ） (2022-07-17T16:02:58Z)
Inverse Problems Leveraging Pre-trained Contrastive Representations [88.70821497369785]
破損したデータの表現を復元するための新しい逆問題群について検討する。コントラスト目的を用いた教師付きインバージョン手法を提案する。提案手法は,幅広いフォワード演算子においてラベル付きデータのごく一部であっても,エンド・ツー・エンドのベースラインよりも優れる。
論文参考訳（メタデータ） (2021-10-14T15:06:30Z)
Experience feedback using Representation Learning for Few-Shot Object Detection on Aerial Images [2.8560476609689185]
大規模なリモートセンシング画像データセットであるDOTAを用いて,本手法の性能評価を行った。特に、数発のオブジェクト検出タスクの固有の弱点を強調します。
論文参考訳（メタデータ） (2021-09-27T13:04:53Z)
Contrastive Learning for Fair Representations [50.95604482330149]
訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
論文参考訳（メタデータ） (2021-09-22T10:47:51Z)
Few-Shot Learning with Part Discovery and Augmentation from Unlabeled Images [79.34600869202373]
帰納的バイアスは、ラベルなし画像の平坦な集合から学習でき、目に見えるクラスと目に見えないクラスの間で伝達可能な表現としてインスタンス化されることを示す。具体的には、トランスファー可能な表現を学習するための、新しいパートベース自己教師型表現学習手法を提案する。我々の手法は印象的な結果をもたらし、それまでの最高の教師なし手法を7.74%、9.24%上回った。
論文参考訳（メタデータ） (2021-05-25T12:22:11Z)
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文参考訳（メタデータ） (2021-04-08T19:04:55Z)
Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文参考訳（メタデータ） (2020-09-08T07:29:05Z)

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。