論文の概要: MetaMax: Improved Open-Set Deep Neural Networks via Weibull Calibration

• arxiv url: http://arxiv.org/abs/2211.10872v1
• Date: Sun, 20 Nov 2022 05:10:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 20:16:02.540729
• Title: MetaMax: Improved Open-Set Deep Neural Networks via Weibull Calibration
• Title（参考訳）: MetaMax: Weibullキャリブレーションによるオープンセットディープニューラルネットワークの改善
• Authors: Zongyao Lyu, Nolan B. Gutierrez, William J. Beksi
• Abstract要約: オープンセット認識(Open-set recognition)とは、トレーニング中に見られなかったクラスが推論時に現れる問題を指す。 OpenMaxは、オープンセット認識に対処する最初のディープニューラルネットワークベースのアプローチである。 本稿では,クラスのアクティベーションベクトルを直接モデル化することで,従来の手法を改良した,より効率的な後処理手法であるMetaMaxを提案する。
• 参考スコア（独自算出の注目度）: 5.8022510096020525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-set recognition refers to the problem in which classes that were not seen during training appear at inference time. This requires the ability to identify instances of novel classes while maintaining discriminative capability for closed-set classification. OpenMax was the first deep neural network-based approach to address open-set recognition by calibrating the predictive scores of a standard closed-set classification network. In this paper we present MetaMax, a more effective post-processing technique that improves upon contemporary methods by directly modeling class activation vectors. MetaMax removes the need for computing class mean activation vectors (MAVs) and distances between a query image and a class MAV as required in OpenMax. Experimental results show that MetaMax outperforms OpenMax and is comparable in performance to other state-of-the-art approaches.
• Abstract（参考訳）: オープンセット認識(Open-set recognition)とは、トレーニング中に見られなかったクラスが推論時に現れる問題を指す。 これは、クローズドセット分類の識別能力を維持しながら、新規クラスのインスタンスを識別する能力を必要とする。 OpenMaxは、標準クローズドセット分類ネットワークの予測スコアを校正することで、オープンセット認識に対処する最初のディープニューラルネットワークベースのアプローチである。 本稿では,クラスアクティベーションベクトルを直接モデル化することで,従来の手法を改良した,より効率的な後処理手法であるMetaMaxを提案する。 MetaMaxは、クラス平均アクティベーションベクトル(MAV)と、OpenMaxで必要とされるクエリイメージとクラスMAVの間の距離の計算の必要性を取り除く。 実験の結果、MetaMaxはOpenMaxより優れており、他の最先端のアプローチに匹敵する性能を示している。

関連論文リスト

• VAEMax: Open-Set Intrusion Detection based on OpenMax and Variational Autoencoder [5.733432394442812]
  我々はOpenMaxと変分オートエンコーダを用いて二重検出モデルVAEMaxを提案する。 まず,一次元畳み込みニューラルネットワークに基づくフローペイロードの特徴を抽出する。 その後、OpenMaxはフローの分類に使用され、その間に未知の攻撃が検出され、残りは既知のフローの特定のクラスに誤って分類される。
  論文  参考訳（メタデータ） (2024-03-07T03:48:47Z)
• Multi-class Support Vector Machine with Maximizing Minimum Margin [67.51047882637688]
  Support Vector Machine (SVM) は、パターン認識タスクに広く応用されている機械学習技術である。 本稿では,クラス損失のペア化と最小マージンの最大化を両立するマルチクラスSVMの新たな手法を提案する。 実験により,提案手法の有効性と優位性を示す。
  論文  参考訳（メタデータ） (2023-12-11T18:09:55Z)
• Revisiting Logistic-softmax Likelihood in Bayesian Meta-Learning for Few-Shot Classification [4.813254903898101]
  ロジスティック・ソフトマックスは、多クラスガウス過程分類におけるソフトマックス可能性の代替としてしばしば用いられる。 我々は,温度パラメータによるテクティタ事前信頼度を制御できるロジスティック・ソフトマックスの可能性を再検討し,再検討する。 提案手法では, 精度の高い不確実性推定値が得られ, 標準ベンチマークデータセットにおいて, 同等あるいは優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-10-16T13:20:13Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• An Explainable Model-Agnostic Algorithm for CNN-based Biometrics Verification [55.28171619580959]
  本稿では,生体認証環境下でのLIME(Local Interpretable Model-Agnostic Explanations)AI手法の適用について述べる。
  論文  参考訳（メタデータ） (2023-07-25T11:51:14Z)
• Maximally Compact and Separated Features with Regular Polytope Networks [22.376196701232388]
  本稿では, CNN から抽出する方法として, クラス間分離性とクラス間圧縮性の特性について述べる。 我々は、よく知られた citewen2016discriminative や他の類似したアプローチで得られる特徴と類似した特徴を得る。
  論文  参考訳（メタデータ） (2023-01-15T15:20:57Z)
• Distinction Maximization Loss: Efficiently Improving Classification Accuracy, Uncertainty Estimation, and Out-of-Distribution Detection Simply Replacing the Loss and Calibrating [2.262407399039118]
  我々は、DisMax損失を用いた決定論的深層ニューラルネットワークのトレーニングを提案する。 DisMaxは通常、分類精度、不確実性推定、推論効率、アウト・オブ・ディストリビューション検出において、全ての現在のアプローチを同時に上回る。
  論文  参考訳（メタデータ） (2022-05-12T04:37:35Z)
• SphereFace2: Binary Classification is All You Need for Deep Face Recognition [57.07058009281208]
  最先端のディープフェイス認識手法は、ソフトマックスベースのマルチクラス分類フレームワークで主に訓練されている。 本稿では,SphereFace2と呼ばれる新しいバイナリ分類学習フレームワークを提案する。 SphereFace2は、最先端のディープ・フェイス認識手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-03T13:58:45Z)
• Non-convex Min-Max Optimization: Applications, Challenges, and Recent Theoretical Advances [58.54078318403909]
  min-max問題(英: min-max problem)またはサドル点問題(英: saddle point problem)は、サムゲームにおいても研究されるクラス逆問題である。
  論文  参考訳（メタデータ） (2020-06-15T05:33:42Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

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。