論文の概要: Heatmap-based Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2211.08115v1
• Date: Tue, 15 Nov 2022 13:09:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 15:12:48.027185
• Title: Heatmap-based Out-of-Distribution Detection
• Title（参考訳）: ヒートマップを用いた分布外検出
• Authors: Julia Hornauer, Vasileios Belagiannis
• Abstract要約: 分布領域と分布領域を可視化しながらOOD画像を検出するヒートマップ表現を学習する。 我々はデコーダニューラルネットワークをトレーニングし、OODサンプルの分布内サンプルに対する応答ゼロのヒートマップと高応答ヒートマップを生成する。
• 参考スコア（独自算出の注目度）: 5.7575052885308455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Our work investigates out-of-distribution (OOD) detection as a neural network output explanation problem. We learn a heatmap representation for detecting OOD images while visualizing in- and out-of-distribution image regions at the same time. Given a trained and fixed classifier, we train a decoder neural network to produce heatmaps with zero response for in-distribution samples and high response heatmaps for OOD samples, based on the classifier features and the class prediction. Our main innovation lies in the heatmap definition for an OOD sample, as the normalized difference from the closest in-distribution sample. The heatmap serves as a margin to distinguish between in- and out-of-distribution samples. Our approach generates the heatmaps not only for OOD detection, but also to indicate in- and out-of-distribution regions of the input image. In our evaluations, our approach mostly outperforms the prior work on fixed classifiers, trained on CIFAR-10, CIFAR-100 and Tiny ImageNet. The code is publicly available at: https://github.com/jhornauer/heatmap_ood.
• Abstract（参考訳）: 本研究は,ニューラルネットワークの出力説明問題として,分布外検出(ood)について検討する。 分布領域と分布領域を同時に可視化しながら,ood画像を検出するためのヒートマップ表現を学習する。 トレーニングされた固定分類器が与えられた場合、分類器の特徴とクラス予測に基づいて、分布内サンプルに対する応答ゼロのヒートマップとOODサンプルに対する応答高ヒートマップを生成するようにデコーダニューラルネットワークを訓練する。 我々の主な革新は、OODサンプルのヒートマップ定義であり、最も近い分布内サンプルとの正規化の違いである。 ヒートマップは、分布内サンプルと分布外サンプルを区別するためのマージンとして機能する。 提案手法は,OOD検出だけでなく,入力画像の分布内領域や分布外領域を示すためのヒートマップを生成する。 評価では, CIFAR-10, CIFAR-100, Tiny ImageNet でトレーニングした固定分類器の先行研究よりも高い性能を示した。 コードはhttps://github.com/jhornauer/heatmap_ood.com/で公開されている。

関連論文リスト

• Salt & Pepper Heatmaps: Diffusion-informed Landmark Detection Strategy [6.276791657895805]
  解剖学的ランドマーク検出(Anatomical Landmark Detection)は、臨床測定のための画像の重要な領域を特定するプロセスである。 機械学習モデルは、ヒートマップで表される確率領域としてランドマークの軌跡を予測する。 我々は,自動解剖学的ランドマーク検出を高精度な生成モデルタスクとして再構成し,数ドットのヒートマップを生成する。
  論文  参考訳（メタデータ） (2024-07-12T11:50:39Z)
• Benchmarking Out-of-Distribution Generalization Capabilities of DNN-based Encoding Models for the Ventral Visual Cortex [26.91313901714098]
  textitMacaqueITBenchは、マカク下側頭葉(IT)皮質からの神経集団反応の大規模なデータセットである。 画像からOF-Distribution(OOD)トレインとテストスプリットに分割し,神経活動を予測するモデルに対する分布シフトの影響を検討した。
  論文  参考訳（メタデータ） (2024-06-16T20:33:57Z)
• A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
  我々は、最先端のOOD検出方法20について詳しく検討する。 不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
  論文  参考訳（メタデータ） (2024-04-02T09:40:22Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• HAct: Out-of-Distribution Detection with Neural Net Activation Histograms [7.795929277007233]
  本稿では,OOD検出のための新しい記述子HActを提案する。すなわち,入力データの影響下でのニューラルネットワーク層の出力値の確率分布(ヒストグラムで近似)について述べる。 複数の画像分類ベンチマークにおいて,HActはOOD検出における最先端技術よりもはるかに精度が高いことを示す。
  論文  参考訳（メタデータ） (2023-09-09T16:22:18Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• A Simple Test-Time Method for Out-of-Distribution Detection [45.11199798139358]
  本稿では,OOD検出のための簡易なテスト時間線形訓練法を提案する。 分布外である入力画像の確率は、ニューラルネットワークが抽出した特徴と驚くほど線形に相関していることがわかった。 本稿では,提案手法のオンライン版を提案し,実世界のアプリケーションでより実用的な性能を実現する。
  論文  参考訳（メタデータ） (2022-07-17T16:02:58Z)
• Back to the Basics: Revisiting Out-of-Distribution Detection Baselines [19.84626033109009]
  既に訓練済みの分類器と互換性のあるOOD画像検出のための簡単な手法について検討する。 モデルの予測のみを考慮する手法は、学習した表現も考慮し、容易に性能を向上できる。
  論文  参考訳（メタデータ） (2022-07-07T03:04:09Z)
• Weakly-supervised fire segmentation by visualizing intermediate CNN layers [82.75113406937194]
  画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。 我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。 CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-16T11:56:28Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)

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。