論文の概要: Probing Contextual Diversity for Dense Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2208.14195v1
- Date: Tue, 30 Aug 2022 12:10:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 13:08:13.243362
- Title: Probing Contextual Diversity for Dense Out-of-Distribution Detection
- Title(参考訳): 密分布検出のための文脈多様性の探索
- Authors: Silvio Galesso, Maria Alejandra Bravo, Mehdi Naouar, Thomas Brox
- Abstract要約: 画像分類の文脈におけるオフ・オブ・ディストリビューション(OoD)サンプルの検出は、近年、関心と活発な研究の領域となっている。
セマンティックセグメンテーションモデルで表現されるさまざまなコンテキストレベルを活用するための効率的な戦略であるMOoSeを紹介する。
マルチスケール表現の単純なアグリゲーションでさえ、OoDの検出と不確実性評価に一定の正の影響を及ぼすことを示す。
- 参考スコア(独自算出の注目度): 33.95082228484776
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detection of out-of-distribution (OoD) samples in the context of image
classification has recently become an area of interest and active study, along
with the topic of uncertainty estimation, to which it is closely related. In
this paper we explore the task of OoD segmentation, which has been studied less
than its classification counterpart and presents additional challenges.
Segmentation is a dense prediction task for which the model's outcome for each
pixel depends on its surroundings. The receptive field and the reliance on
context play a role for distinguishing different classes and, correspondingly,
for spotting OoD entities. We introduce MOoSe, an efficient strategy to
leverage the various levels of context represented within semantic segmentation
models and show that even a simple aggregation of multi-scale representations
has consistently positive effects on OoD detection and uncertainty estimation.
- Abstract(参考訳): 画像分類の文脈における分布外サンプル(ood)の検出は,近年,不確実性推定の話題と密接に関連する分野として注目され,活発に研究されている。
本稿では,oodセグメンテーションの課題について検討し,その課題について述べる。
セグメンテーションは、各ピクセルに対するモデルの結果が周囲の状況に依存する、密集した予測タスクである。
受容場と文脈への依存は、異なるクラスを区別し、それに対応するOoDエンティティを見つける役割を担っている。
セマンティックセグメンテーションモデル内で表現されるコンテキストの様々なレベルを活用するための効率的な戦略であるMOoSeを導入し、マルチスケール表現の単純な集約でさえ、OoDの検出と不確実性評価に一貫してポジティブな影響を与えることを示す。
関連論文リスト
- Maturity-Aware Active Learning for Semantic Segmentation with
Hierarchically-Adaptive Sample Assessment [18.65352271757926]
Maturity-Aware Distribution Breakdown-based Active Learning (MADBAL)は、異なる「サンプル」の定義を共同で考慮したAL手法である。
MADBALは初期のALステージでも大幅なパフォーマンス向上を実現しているため、トレーニングの負担を大幅に削減できる。
実験で検証したように,都市景観とPASCALVOCデータセットの最先端手法よりも優れています。
論文 参考訳(メタデータ) (2023-08-28T21:13:04Z) - Learning Confident Classifiers in the Presence of Label Noise [5.829762367794509]
本稿では,ノイズ観測のための確率論的モデルを提案し,信頼性の高い分類とセグメンテーションモデルの構築を可能にする。
実験により,本アルゴリズムは,検討された分類問題と分割問題に対して,最先端の解よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-01-02T04:27:25Z) - Context Label Learning: Improving Background Class Representations in
Semantic Segmentation [23.79946807540805]
不均一な背景を持つニューラルネットワークは、対応するコンテキストサンプルを特徴空間内のコンパクトクラスタにマッピングするのに苦労している。
背景クラスを複数のサブクラスに分解することでコンテキスト表現を改善するためにコンテキストラベル学習(CoLab)を提案する。
結果は、CoLabがセグメンテーションモデルをガイドして、背景サンプルのログを決定境界から切り離すことができることを示している。
論文 参考訳(メタデータ) (2022-12-16T11:52:15Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳(メタデータ) (2022-02-10T06:23:56Z) - MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。
本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。
特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文 参考訳(メタデータ) (2021-07-23T06:57:08Z) - Modeling Discriminative Representations for Out-of-Domain Detection with
Supervised Contrastive Learning [16.77134235390429]
OOD検出の主な課題は、識別的セマンティックな特徴を学習することである。
クラス内分散を最小限に抑えるための教師付きコントラスト学習目標を提案する。
我々は,サンプルの擬似多様なビューを得るために,対角的拡張機構を用いる。
論文 参考訳(メタデータ) (2021-05-29T12:54:22Z) - Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。
我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。
我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文 参考訳(メタデータ) (2021-05-14T06:58:44Z) - Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文 参考訳(メタデータ) (2021-03-15T15:23:10Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳(メタデータ) (2020-11-28T16:31:00Z) - Unsupervised Domain Adaptation in Semantic Segmentation: a Review [22.366638308792734]
本研究の目的は, セマンティックセグメンテーションのための深層ネットワークのUnsupervised Domain Adaptation (UDA) の最近の進歩について概説することである。
論文 参考訳(メタデータ) (2020-05-21T20:10:38Z) - Panoptic Feature Fusion Net: A Novel Instance Segmentation Paradigm for
Biomedical and Biological Images [91.41909587856104]
本稿では,本研究における意味的特徴とインスタンス的特徴を統一するPanoptic Feature Fusion Net(PFFNet)を提案する。
提案するPFFNetには,インスタンス予測を意味的特徴に組み込むための残注意特徴融合機構が組み込まれている。
様々なバイオメディカルおよび生物学的データセットにおいて、最先端のいくつかの手法を上回ります。
論文 参考訳(メタデータ) (2020-02-15T09:19:41Z)
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。