Fugu-MT 論文翻訳(概要): FrOoDo: Framework for Out-of-Distribution Detection

論文の概要: FrOoDo: Framework for Out-of-Distribution Detection

arxiv url: http://arxiv.org/abs/2208.00963v2
Date: Thu, 15 Feb 2024 13:33:33 GMT
ステータス: 処理完了
システム内更新日: 2024-02-16 21:25:07.112116
Title: FrOoDo: Framework for Out-of-Distribution Detection
Title（参考訳）: froodo: 分散検出のためのフレームワーク
Authors: Jonathan Stieber, Moritz Fuchs, Anirban Mukhopadhyay
Abstract要約: FrOoDoは、デジタル病理学におけるアウト・オブ・ディストリビューション検出タスクのための使いやすいフレームワークである。 PyTorchの分類とセグメンテーションモデルで使用することができる。
参考スコア（独自算出の注目度）: 1.3270838622986498
License: http://creativecommons.org/licenses/by/4.0/
Abstract: FrOoDo is an easy-to-use and flexible framework for Out-of-Distribution detection tasks in digital pathology. It can be used with PyTorch classification and segmentation models, and its modular design allows for easy extension. The goal is to automate the task of OoD Evaluation such that research can focus on the main goal of either designing new models, new methods or evaluating a new dataset. The code can be found at https://github.com/MECLabTUDA/FrOoDo.
Abstract（参考訳）: froodoは、デジタル病理学における分散検出タスクの使いやすさと柔軟性を備えたフレームワークである。 pytorch分類とセグメンテーションモデルで使用することができ、そのモジュール設計により拡張が容易になる。目標は、OoD Evaluationのタスクを自動化することで、新しいモデルの設計、新しいメソッド、新しいデータセットの評価といった目的に研究が集中できるようにすることだ。コードはhttps://github.com/MECLabTUDA/FrOoDoで見ることができる。

関連論文リスト

Open World Object Detection in the Era of Foundation Models [53.683963161370585]
5つの実世界のアプリケーション駆動データセットを含む新しいベンチマークを導入する。本稿では,オープンワールドのための新しいオブジェクト検出モデル(FOMO)を提案する。
論文参考訳（メタデータ） (2023-12-10T03:56:06Z)
Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
基礎モデルを用いた最先端UniDA手法の実証的研究を行った。 CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
論文参考訳（メタデータ） (2023-05-18T16:28:29Z)
Chain-of-Skills: A Configurable Model for Open-domain Question Answering [79.8644260578301]
検索モデルは、現実世界の知識集約的なタスクに欠かせない要素である。最近の研究はカスタマイズされたメソッドに焦点を合わせ、モデルの転送可能性とスケーラビリティを制限している。本稿では,各モジュールがデータセット間で再利用可能なキースキルに対応するモジュールレトリバーを提案する。
論文参考訳（メタデータ） (2023-05-04T20:19:39Z)
Novel Class Discovery in Semantic Segmentation [104.30729847367104]
セマンティックにおける新しいクラス発見(NCDSS)について紹介する。ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
論文参考訳（メタデータ） (2021-12-03T13:31:59Z)
MetaHistoSeg: A Python Framework for Meta Learning in Histopathology Image Segmentation [3.738450972771192]
MetaHistoSegはメタ学習とインスタンスベースのトランスファー学習の両方でユニークなシナリオを実装するPythonフレームワークです。また、さまざまながんタイプのアウト・オブ・ディストリビューションパフォーマンスに関するモデルをトレーニングし、検証するためのベンチマークデータセットである、病理組織学的メタデータセットもキュレートします。実験では、メタデータセットでMetaHistoSegの使用例を示し、メタ学習とインスタンスベースのトランスファー学習の両方が平均的に同等の結果をもたらすことを発見した。
論文参考訳（メタデータ） (2021-09-29T23:05:04Z)
MM-FSOD: Meta and metric integrated few-shot object detection [14.631208179789583]
メトリクス学習とメタラーニングを統合した効果的なオブジェクト検出フレームワーク(MM-FSOD)を提案する。我々のモデルは、トレーニングサンプルにない新しいカテゴリを正確に認識できるクラスに依存しない検出モデルである。
論文参考訳（メタデータ） (2020-12-30T14:02:52Z)
Automating Outlier Detection via Meta-Learning [37.736124230543865]
メタ学習をベースとした,Overier検出のためのモデル選択のための,最初の原則付きデータ駆動型アプローチであるMetaODを開発した。検出モデルの選択におけるMetaODの有効性を示す。この新しい問題をさらに研究するために、私たちはメタラーニングシステム全体、ベンチマーク環境、テストベッドデータセットをオープンソース化しました。
論文参考訳（メタデータ） (2020-09-22T15:14:45Z)
Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax [88.11979569564427]
本報告では, 長期分布前における最先端モデルの過小評価に関する最初の体系的解析を行う。本稿では,グループワイドトレーニングを通じて検出フレームワーク内の分類器のバランスをとるための,新しいバランス付きグループソフトマックス(BAGS)モジュールを提案する。非常に最近の長尾大語彙オブジェクト認識ベンチマークLVISの大規模な実験により,提案したBAGSは検出器の性能を著しく向上することが示された。
論文参考訳（メタデータ） (2020-06-18T10:24:26Z)
UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。本稿では,直感的かつ統一的な半教師付きモデルを提案する。
論文参考訳（メタデータ） (2020-06-12T22:45:47Z)

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。