論文の概要: Oracle Analysis of Representations for Deep Open Set Detection
- arxiv url: http://arxiv.org/abs/2209.11350v1
- Date: Thu, 22 Sep 2022 23:54:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 16:41:08.986512
- Title: Oracle Analysis of Representations for Deep Open Set Detection
- Title（参考訳）: 深部開集合検出のための表現のOracle解析
- Authors: Risheek Garrepalli, Alan Fern, Thomas G. Dietterich
- Abstract要約: 新たなクラスを実行時に検出する問題は、Open Set Detection &として知られており、医療アプリケーションや自動運転など、さまざまな現実世界のアプリケーションにおいて重要である。
深層学習の文脈における開集合検出は、入力された画像から外れ値を検出するのに十分な情報を含む潜在表現にマッピングしなければならないことと、(ii)潜在表現からこれらの情報を抽出して異常を識別する異常スコア関数を学習しなければならない、という2つの問題を解決することを含む。
- 参考スコア（独自算出の注目度）: 32.450481640129645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of detecting a novel class at run time is known as Open Set
Detection & is important for various real-world applications like medical
application, autonomous driving, etc. Open Set Detection within context of deep
learning involves solving two problems: (i) Must map the input images into a
latent representation that contains enough information to detect the outliers,
and (ii) Must learn an anomaly scoring function that can extract this
information from the latent representation to identify the anomalies. Research
in deep anomaly detection methods has progressed slowly. One reason may be that
most papers simultaneously introduce new representation learning techniques and
new anomaly scoring approaches. The goal of this work is to improve this
methodology by providing ways of separately measuring the effectiveness of the
representation learning and anomaly scoring. This work makes two methodological
contributions. The first is to introduce the notion of Oracle anomaly detection
for quantifying the information available in a learned latent representation.
The second is to introduce Oracle representation learning, which produces a
representation that is guaranteed to be sufficient for accurate anomaly
detection. These two techniques help researchers to separate the quality of the
learned representation from the performance of the anomaly scoring mechanism so
that they can debug and improve their systems. The methods also provide an
upper limit on how much open category detection can be improved through better
anomaly scoring mechanisms. The combination of the two oracles gives an upper
limit on the performance that any open category detection method could achieve.
This work introduces these two oracle techniques and demonstrates their utility
by applying them to several leading open category detection methods.
- Abstract（参考訳）: 新たなクラスを実行時に検出する問題は、Open Set Detection &として知られており、医療アプリケーションや自動運転など、さまざまな現実世界のアプリケーションにおいて重要である。
深層学習の文脈における開集合検出には2つの課題がある。
(i)入力された画像を、外れ値を検出するのに十分な情報を含む潜在表現にマッピングし、
(ii) この情報を潜在表現から抽出し, 異常を識別する異常スコアリング関数を学習しなければならない。
深部異常検出法の研究はゆっくりと進んでいる。
一つの理由は、ほとんどの論文が新しい表現学習技術と新しい異常スコアリングアプローチを同時に導入しているからかもしれない。
本研究の目的は,表現学習と異常スコアリングの有効性を別々に測定する方法を提供することにより,この方法論を改善することである。
この研究は2つの方法論的な貢献をする。
1つ目は、学習した潜在表現で利用可能な情報を定量化するOracleの異常検出の概念を導入することである。
もうひとつはOracle表現学習の導入で,正確な異常検出に十分な表現が保証されている。
これら2つのテクニックは、研究者が学習した表現の品質と異常スコアリング機構のパフォーマンスを分離し、システムのデバッグと改善を可能にする。
この手法はまた、より優れた異常スコアリング機構により、オープンカテゴリ検出がどの程度改善できるかの上限を提供する。
2つのオラクルの組み合わせは、どんなオープンカテゴリ検出方法でも達成できる性能の上限を与えます。
本書では,これら2つのoracleテクニックを紹介し,いくつかの主要なオープンカテゴリ検出手法に適用して,その有用性を示す。
関連論文リスト
- Towards Open-World Object-based Anomaly Detection via Self-Supervised Outlier Synthesis [15.748043194987075]
この研究は、オープンワールドオブジェクト検出器とOoD検出器を仮想外周で活用することでギャップを埋めることを目的としている。
提案手法では,オブジェクト検出アーキテクチャ全体を拡張して,クラスラベルに依存することなく,異常に認識された特徴表現を学習する。
提案手法は,オブジェクトレベルの異常検出における最先端性能を確立し,自然画像の平均リコールスコアを5.4%以上向上させる。
論文 参考訳（メタデータ） (2024-07-22T16:16:38Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳（メタデータ） (2023-11-13T02:54:17Z) - The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set
Methods [86.39044549664189]
特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。
本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。
本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
論文 参考訳（メタデータ） (2022-03-04T18:32:58Z) - A Critical Study on the Recent Deep Learning Based Semi-Supervised Video
Anomaly Detection Methods [3.198144010381572]
本稿では,この分野の研究者を新たな視点に紹介し,最近の深層学習に基づく半教師付きビデオ異常検出手法についてレビューする。
私たちのゴールは、より効果的なビデオ異常検出方法の開発を支援することです。
論文 参考訳（メタデータ） (2021-11-02T14:00:33Z) - Learning to Rank Anomalies: Scalar Performance Criteria and Maximization
of Two-Sample Rank Statistics [0.0]
本稿では,観測結果の異常度を反映した特徴空間上で定義されたデータ駆動スコアリング関数を提案する。
このスコアリング関数は、よく設計された二項分類問題を通じて学習される。
本稿では,予備的な数値実験による方法論について解説する。
論文 参考訳（メタデータ） (2021-09-20T14:45:56Z) - Class Introspection: A Novel Technique for Detecting Unlabeled
Subclasses by Leveraging Classifier Explainability Methods [0.0]
潜在構造はデータセットの分析を行う上で重要なステップである。
インスタンス説明手法を利用することで、既存の分類器を拡張して潜在クラスを検出することができる。
本稿では,分類器を自動解析するパイプラインと,この手法による結果を対話的に探索するWebアプリケーションについても述べる。
論文 参考訳（メタデータ） (2021-07-04T14:58:29Z) - Distribution Alignment: A Unified Framework for Long-tail Visual
Recognition [52.36728157779307]
長尾視覚認識のための分散アライメント戦略を提案する。
次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。
提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
論文 参考訳（メタデータ） (2021-03-30T14:09:53Z) - Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
ビデオにおける異常検出は、コンピュータビジョンの問題である。
本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
論文 参考訳（メタデータ） (2020-11-15T10:21:28Z) - Self-Attentive Classification-Based Anomaly Detection in Unstructured
Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。
従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文 参考訳（メタデータ） (2020-08-21T07:26:55Z)
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。