論文の概要: Multi-Attribute Open Set Recognition
- arxiv url: http://arxiv.org/abs/2208.06809v1
- Date: Sun, 14 Aug 2022 09:04:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 13:50:37.846014
- Title: Multi-Attribute Open Set Recognition
- Title(参考訳): マルチ属性オープンセット認識
- Authors: Piyapat Saranrittichai, Chaithanya Kumar Mummadi, Claudia Blaiotta,
Mauricio Munoz and Volker Fischer
- Abstract要約: 従来のOSRを多属性設定に一般化する新しい問題設定を提案する。
これらのベースラインは、トレーニングデータセットに急激な相関が存在する場合、ショートカットに対して脆弱であることを示す。
我々は、この挙動が、合成データセットと実世界のデータセットの両方で異なるベースラインで一致していることを示す実証的な証拠を提供する。
- 参考スコア(独自算出の注目度): 7.012240324005977
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Open Set Recognition (OSR) extends image classification to an open-world
setting, by simultaneously classifying known classes and identifying unknown
ones. While conventional OSR approaches can detect Out-of-Distribution (OOD)
samples, they cannot provide explanations indicating which underlying visual
attribute(s) (e.g., shape, color or background) cause a specific sample to be
unknown. In this work, we introduce a novel problem setup that generalizes
conventional OSR to a multi-attribute setting, where multiple visual attributes
are simultaneously recognized. Here, OOD samples can be not only identified but
also categorized by their unknown attribute(s). We propose simple extensions of
common OSR baselines to handle this novel scenario. We show that these
baselines are vulnerable to shortcuts when spurious correlations exist in the
training dataset. This leads to poor OOD performance which, according to our
experiments, is mainly due to unintended cross-attribute correlations of the
predicted confidence scores. We provide an empirical evidence showing that this
behavior is consistent across different baselines on both synthetic and real
world datasets.
- Abstract(参考訳): Open Set Recognition (OSR)は、既知のクラスを同時に分類し、未知のクラスを識別することで、画像分類をオープンワールド設定に拡張する。
従来のOSRアプローチでは、Out-of-Distribution (OOD) サンプルを検出できるが、基礎となる視覚属性(例えば、形状、色、背景)が特定のサンプルを未知にすることを示す説明はできない。
本稿では,従来のOSRを複数の視覚属性を同時に認識するマルチ属性設定に一般化する新しい問題設定を提案する。
ここでは、OODサンプルを識別できるだけでなく、未知の属性によって分類することもできる。
我々は,この新たなシナリオに対応するために,OSRベースラインのシンプルな拡張を提案する。
これらのベースラインは、トレーニングデータセットに散発的な相関がある場合、ショートカットに対して脆弱であることを示す。
これによりood性能が低下し、実験によれば、主に予測された信頼度スコアの意図しないクロス属性相関が原因である。
我々は、この挙動が、合成データセットと実世界のデータセットの両方で異なるベースラインで一致していることを示す実証的な証拠を提供する。
関連論文リスト
- Exploring Diverse Representations for Open Set Recognition [51.39557024591446]
オープンセット認識(OSR)では、テスト中に未知のサンプルを拒絶しながら、クローズドセットに属するサンプルを分類する必要がある。
現在、生成モデルはOSRの差別モデルよりもよく機能している。
本稿では,多種多様な表現を識別的に学習するMulti-Expert Diverse Attention Fusion(MEDAF)を提案する。
論文 参考訳(メタデータ) (2024-01-12T11:40:22Z) - A Survey on Open-Set Image Recognition [18.474539379698538]
オープンセット画像認識(OSR)は、既知のクラスサンプルの分類と、テストセット内の未知クラスサンプルの識別の両方を目的としている。
我々は,既存のDNNベースのOSR手法を包括的にレビューする新しい分類法を提案する。
我々は、粗粒度データセットと細粒度データセットの両方において、典型的なOSR法と最先端OSR法のパフォーマンスを比較した。
論文 参考訳(メタデータ) (2023-12-25T00:30:23Z) - LORD: Leveraging Open-Set Recognition with Unknown Data [10.200937444995944]
LORDは未知のデータを活用することでオープンセット認識を活用するためのフレームワークである。
我々は、背景データを利用した3つのモデルに依存しない訓練戦略を特定し、それらを確立された分類器に適用する。
論文 参考訳(メタデータ) (2023-08-24T06:12:41Z) - A Solution to Co-occurrence Bias: Attributes Disentanglement via Mutual
Information Minimization for Pedestrian Attribute Recognition [10.821982414387525]
そこで本研究では,現在の手法が,データセット分布のシーンやアイデンティティに適合する属性の相互依存性の一般化に実際に苦慮していることを示す。
現実的な場面で頑健なモデルをレンダリングするために,属性不整形特徴学習を提案し,属性の認識が他者の存在に依存しないことを保証する。
論文 参考訳(メタデータ) (2023-07-28T01:34:55Z) - Background Matters: Enhancing Out-of-distribution Detection with Domain
Features [90.32910087103744]
OODサンプルは任意の分布から引き出すことができ、様々な次元における分布内(ID)データからの偏差を示す。
既存の方法は、ドメインの特徴のような他の次元を無視しながら、意味的特徴に基づいてOODサンプルを検出することに重点を置いている。
本稿では,IDトレーニングサンプルからドメインの特徴を高密度な予測手法により学習することのできる,新しい汎用フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-15T16:12:14Z) - The Devil is in the Wrongly-classified Samples: Towards Unified Open-set
Recognition [61.28722817272917]
Open-set Recognition (OSR) は、トレーニングプロセス中にクラスが見えないテストサンプルを特定することを目的としている。
近年,Unified Open-set Recognition (UOSR) が提案されている。
論文 参考訳(メタデータ) (2023-02-08T11:34:04Z) - Feature Decoupling in Self-supervised Representation Learning for Open
Set Recognition [0.0]
オープンセット認識(OSR)問題には,2段階のトレーニング戦略を用いる。
最初の段階では、既知のクラスから入力されたサンプルの内容の特徴を抽出する自己教師付き特徴分離手法を導入する。
第2段階では、コンテンツ機能とクラスラベルを微調整します。
実験の結果,提案手法は画像やマルウェアのOSR問題において他者よりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-09-28T19:21:53Z) - Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。
本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。
複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
論文 参考訳(メタデータ) (2022-07-05T16:25:34Z) - Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。
本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。
相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
論文 参考訳(メタデータ) (2020-10-31T03:20:31Z) - Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。
CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。
複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2020-08-12T06:23:49Z)
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。