論文の概要: Hybrid Open-set Segmentation with Synthetic Negative Data
- arxiv url: http://arxiv.org/abs/2301.08555v1
- Date: Thu, 19 Jan 2023 11:02:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-23 13:09:51.576224
- Title: Hybrid Open-set Segmentation with Synthetic Negative Data
- Title(参考訳): 合成負データを用いたハイブリッドオープンセットセグメンテーション
- Authors: Matej Grci\'c and Sini\v{s}a \v{S}egvi\'c
- Abstract要約: 生成的および識別的手がかりを融合させる最初の高密度ハイブリッド異常スコアを提案する。
提案したスコアは、セマンティックセグメンテーションモデルをアップグレードすることで効率よく実装できる。
我々は,交通シーンの高密度異常検出とオープンセグメンテーションのためのベンチマークへのコントリビューションを評価した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Open-set segmentation is often conceived by complementing closed-set
classification with anomaly detection. Existing dense anomaly detectors operate
either through generative modelling of regular training data or by
discriminating with respect to negative training data. These two approaches
optimize different objectives and therefore exhibit different failure modes.
Consequently, we propose the first dense hybrid anomaly score that fuses
generative and discriminative cues. The proposed score can be efficiently
implemented by upgrading any semantic segmentation model with
translation-equivariant estimates of data likelihood and dataset posterior. Our
design is a remarkably good fit for efficient inference on large images due to
negligible computational overhead over the closed-set baseline. The resulting
dense hybrid open-set models require negative training images that can be
sampled either from an auxiliary negative dataset or from a jointly trained
generative model. We evaluate our contributions on benchmarks for dense anomaly
detection and open-set segmentation of traffic scenes. The experiments reveal
strong open-set performance in spite of negligible computational overhead.
- Abstract(参考訳): 開集合分割はしばしば、閉集合分類と異常検出を補完することで考え出される。
既存の濃密な異常検出装置は、正規トレーニングデータの生成モデリングまたは負のトレーニングデータに対する識別によって動作する。
これら2つのアプローチは、異なる目標を最適化し、異なる障害モードを示す。
そこで本研究では, 生成的, 識別的手がかりを融合した最初の高密度ハイブリッド異常スコアを提案する。
提案したスコアは,任意のセマンティックセグメンテーションモデルを改良し,データ可能性とデータセットの後方推定を等価に行うことで効率よく実装できる。
我々の設計は、閉集合ベースライン上の無視可能な計算オーバーヘッドのため、大きな画像の効率的な推測に極めて適している。
結果として生じる高密なハイブリッドオープンセットモデルは、補助的な負のデータセットまたは共同訓練された生成モデルからサンプリング可能な、負のトレーニングイメージを必要とする。
我々は,交通シーンの高密度異常検出とオープンセグメンテーションのためのベンチマークへのコントリビューションを評価する。
この実験は、計算オーバーヘッドが無視できないにもかかわらず、強力なオープンセット性能を示す。
関連論文リスト
- Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳(メタデータ) (2023-12-27T09:03:43Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳(メタデータ) (2023-06-16T16:30:39Z) - Data thinning for convolution-closed distributions [2.299914829977005]
本稿では,観測を2つ以上の独立した部分に分割する手法であるデータ薄型化を提案する。
教師なし学習手法の結果の検証には,データの薄化が有効であることを示す。
論文 参考訳(メタデータ) (2023-01-18T02:47:41Z) - Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。
我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。
意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
論文 参考訳(メタデータ) (2023-01-03T13:42:38Z) - Positive Difference Distribution for Image Outlier Detection using
Normalizing Flows and Contrastive Data [2.9005223064604078]
例えば、標準的なログライクリーフトレーニングによる正規化フローは、外れ値スコアとして不十分である。
本稿では,外乱検出のための非ラベル付き補助データセットと確率的外乱スコアを提案する。
これは、分布内と対照的な特徴密度の間の正規化正の差を学ぶことと等価であることを示す。
論文 参考訳(メタデータ) (2022-08-30T07:00:46Z) - DenseHybrid: Hybrid Anomaly Detection for Dense Open-set Recognition [1.278093617645299]
異常検出は、正規トレーニングデータの生成的モデリングや、負のトレーニングデータに対する識別によって行うことができる。
本稿では,大きな自然画像に対して密集した開集合認識が可能なハイブリッド異常スコアを提案する。
実験では, 標準密度異常検出ベンチマークと, オープンセット性能の新たな指標であるopen-mIoUについて評価した。
論文 参考訳(メタデータ) (2022-07-06T11:48:50Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
アイソメトリーを用いて、多様体学習と密度推定を分離する。
また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
論文 参考訳(メタデータ) (2022-03-08T08:57:43Z) - Dense Out-of-Distribution Detection by Robust Learning on Synthetic
Negative Data [1.7474352892977458]
道路走行シーンとリモートセンシング画像における分布外異常の検出方法を示す。
我々は,カバレッジ指向学習の目的と異なる解像度でサンプルを生成する能力により,共同で訓練された正規化フローを活用する。
結果として得られたモデルは、道路走行シーンとリモートセンシング画像におけるアウト・オブ・ディストリビューション検出のためのベンチマークに、新たな技術状況を設定した。
論文 参考訳(メタデータ) (2021-12-23T20:35:10Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - Categorical anomaly detection in heterogeneous data using minimum
description length clustering [3.871148938060281]
異種データを扱うため,MPLに基づく異常検出モデルの拡張のためのメタアルゴリズムを提案する。
実験の結果, 離散混合モデルを用いることで, 従来の2つの異常検出アルゴリズムと比較して, 競合性能が向上することがわかった。
論文 参考訳(メタデータ) (2020-06-14T14:48:37Z)
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。