論文の概要: A knee cannot have lung disease: out-of-distribution detection with
in-distribution voting using the medical example of chest X-ray
classification
- arxiv url: http://arxiv.org/abs/2208.01077v1
- Date: Mon, 1 Aug 2022 18:20:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 13:30:50.245564
- Title: A knee cannot have lung disease: out-of-distribution detection with
in-distribution voting using the medical example of chest X-ray
classification
- Title（参考訳）: 膝に肺疾患はあり得ない:胸部x線分類の医学的例を用いた分布内投票による分布外検出
- Authors: Alessandro Wollek, Theresa Willem, Michael Ingrisch, Bastian Sabel and
Tobias Lasser
- Abstract要約: 本研究では,いわゆる「放射線学レベル」のCheXnetモデルは,分布外画像の認識に失敗し,これらを肺疾患と分類する。
この問題に対処するために,複数ラベル分類のための分布外画像の分類法である分布内投票を提案する。
- 参考スコア（独自算出の注目度）: 58.720142291102135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models are being applied to more and more use cases with
astonishing success stories, but how do they perform in the real world? To test
a model, a specific cleaned data set is assembled. However, when deployed in
the real world, the model will face unexpected, out-of-distribution (OOD) data.
In this work, we show that the so-called "radiologist-level" CheXnet model
fails to recognize all OOD images and classifies them as having lung disease.
To address this issue, we propose in-distribution voting, a novel method to
classify out-of-distribution images for multi-label classification. Using
independent class-wise in-distribution (ID) predictors trained on ID and OOD
data we achieve, on average, 99 % ID classification specificity and 98 %
sensitivity, improving the end-to-end performance significantly compared to
previous works on the chest X-ray 14 data set. Our method surpasses other
output-based OOD detectors even when trained solely with ImageNet as OOD data
and tested with X-ray OOD images.
- Abstract（参考訳）: ディープラーニングモデルは、驚くべき成功ストーリーを持つ多くのユースケースに適用されていますが、実際の世界でどのように機能しますか?
モデルをテストするために、特定のクリーンデータセットを組み立てる。
しかし、現実世界にデプロイされると、モデルは予期せぬ分散(ood)データに直面します。
本研究では,いわゆる「放射線学レベルの」CheXnetモデルは,OOD画像の認識に失敗し,肺疾患と分類する。
そこで本研究では,マルチラベル分類のための分散画像の分類手法であるin-distribution votingを提案する。
また,IDおよびOODデータに基づいて訓練した個別のクラス内分布予測器を用いて,平均99%のID分類特異度と98%の感度を達成し,胸部X線14データセットと比較すると,エンドツーエンドのパフォーマンスを著しく向上させた。
提案手法は,画像ネットのみをOODデータとして訓練し,X線OOD画像を用いてテストした場合においても,他の出力ベースのOOD検出器を超越する。
関連論文リスト
- Evaluating Reliability in Medical DNNs: A Critical Analysis of Feature and Confidence-Based OOD Detection [2.9049649065453336]
OOD検出方法は、信頼層(OOD検出のためにモデルの出力層を使用する)または機能層(出力層を使用しない)に分類することができる。
OODアーティファクトは、トレーニングデータと他の要因との相関関係から、モデルの予測におけるソフトマックスの信頼性を高めることができることを示す。
また、特徴に基づく手法は、通常、正しい予測と誤った予測につながる入力を区別する上で、より悪い性能を示すことを示す。
論文 参考訳（メタデータ） (2024-08-30T15:02:22Z) - Out-of-distribution Detection with Implicit Outlier Transformation [72.73711947366377]
外周露光(OE)は、オフ・オブ・ディストリビューション(OOD)検出において強力である。
我々は,未確認のOOD状況に対してモデルの性能を良くする,新しいOEベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-09T04:36:38Z) - Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric
Perspective [55.45202687256175]
アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。
本稿では,OOD検出における教師なし評価問題を初めて紹介する。
我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
論文 参考訳（メタデータ） (2023-02-16T13:34:35Z) - 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) - PnPOOD : Out-Of-Distribution Detection for Text Classification via Plug
andPlay Data Augmentation [25.276900899887192]
ドメイン外サンプル生成によるOOD検出を行うデータ拡張手法であるOODを提案する。
本手法は, クラス境界に近い高品質な識別サンプルを生成し, 精度の高いOOD検出を行う。
我々は、OOD検出に先立つ試みで使用されるデータセットで重要なデータ漏洩問題を強調し、同じ問題に悩まされないOOD検出のための新しいデータセットで結果を共有する。
論文 参考訳（メタデータ） (2021-10-31T14:02:26Z) - CVAD: A generic medical anomaly detector based on Cascade VAE [2.647674705784439]
我々は、医用画像におけるOOD検出の一般化性に着目し、自己教師付きカスケード変量自動エンコーダに基づく異常検出器(CVAD)を提案する。
我々は,複数のスケールで潜在表現を結合した変分オートエンコーダのカスケードアーキテクチャを用いて,OODデータを分布内(ID)データと区別するために識別器に供給する。
我々は、最先端のディープラーニングモデルと比較し、クラス内およびクラス間OODのための様々なオープンアクセス医療画像データセットにおいて、我々のモデルの有効性を実証する。
論文 参考訳（メタデータ） (2021-10-29T14:20:43Z) - Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。
本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。
このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
論文 参考訳（メタデータ） (2021-06-08T11:40:49Z) - ATOM: Robustifying Out-of-distribution Detection Using Outlier Mining [51.19164318924997]
インフォメーション・アウトリエ・マイニングによるアドリアトレーニングは、OOD検出の堅牢性を向上させる。
ATOMは,古典的,敵対的なOOD評価タスクの幅広いファミリーの下で,最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-06-26T20:58:05Z)
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。
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。