論文の概要: A sliced-Wasserstein distance-based approach for
out-of-class-distribution detection
- arxiv url: http://arxiv.org/abs/2302.01459v1
- Date: Thu, 2 Feb 2023 23:03:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 17:57:32.677164
- Title: A sliced-Wasserstein distance-based approach for
out-of-class-distribution detection
- Title（参考訳）: クラス外分布検出のためのスライスwasserstein距離に基づくアプローチ
- Authors: Mohammad Shifat E Rabbi, Abu Hasnat Mohammad Rubaiyat, Yan Zhuang,
Gustavo K Rohde
- Abstract要約: 本稿では,Rdon Cumulative Distribution Transform (R-CDT) 部分空間からスライスされたワッサーシュタイン距離の分布に基づいて,クラス外分布を検出する手法を提案する。
本手法をMNISTと2つの医用画像データセットで検証し, クラス外分布検出法を使わずに, 最先端の手法よりも精度がよいことを報告した。
- 参考スコア（独自算出の注目度）: 8.512840855220178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There exist growing interests in intelligent systems for numerous medical
imaging, image processing, and computer vision applications, such as face
recognition, medical diagnosis, character recognition, and self-driving cars,
among others. These applications usually require solving complex classification
problems involving complex images with unknown data generative processes. In
addition to recent successes of the current classification approaches relying
on feature engineering and deep learning, several shortcomings of them, such as
the lack of robustness, generalizability, and interpretability, have also been
observed. These methods often require extensive training data, are
computationally expensive, and are vulnerable to out-of-distribution samples,
e.g., adversarial attacks. Recently, an accurate, data-efficient,
computationally efficient, and robust transport-based classification approach
has been proposed, which describes a generative model-based problem formulation
and closed-form solution for a specific category of classification problems.
However, all these approaches lack mechanisms to detect test samples outside
the class distributions used during training. In real-world settings, where the
collected training samples are unable to exhaust or cover all classes, the
traditional classification schemes are unable to handle the unseen classes
effectively, which is especially an important issue for safety-critical
systems, such as self-driving and medical imaging diagnosis. In this work, we
propose a method for detecting out-of-class distributions based on the
distribution of sliced-Wasserstein distance from the Radon Cumulative
Distribution Transform (R-CDT) subspace. We tested our method on the MNIST and
two medical image datasets and reported better accuracy than the
state-of-the-art methods without an out-of-class distribution detection
procedure.
- Abstract（参考訳）: 多数の医療画像、画像処理、顔認証、医療診断、文字認識、自動運転車などのコンピュータビジョン応用など、インテリジェントシステムへの関心が高まっている。
これらの応用は通常、未知のデータ生成プロセスを伴う複雑な画像を含む複雑な分類問題を解く必要がある。
機能工学とディープラーニングによる最近の分類アプローチの成功に加えて、ロバスト性の欠如、一般化可能性、解釈可能性といったいくつかの欠点も観測されている。
これらの方法は、しばしば広範なトレーニングデータを必要とし、計算コストが高く、例えば逆攻撃のような分散サンプルに対して脆弱である。
近年,データ効率,計算効率,ロバストなトランスポートベース分類手法が提案され,分類問題の特定のカテゴリに対する生成モデルに基づく問題定式化と閉形式解が提案されている。
しかしながら、これらのアプローチには、トレーニング中に使用されるクラス分布の外でテストサンプルを検出するメカニズムがない。
収集されたトレーニングサンプルがすべてのクラスを消耗またはカバーできない現実の環境では、従来の分類スキームでは目に見えないクラスを効果的に処理できないため、特に自動運転や医療画像診断のような安全クリティカルなシステムでは問題となる。
本研究では,ラドン累積分布変換(r-cdt)部分空間からスライス・ワッサースタイン距離の分布に基づいてクラス外分布を検出する手法を提案する。
本手法をMNISTと2つの医用画像データセットで検証し, クラス外分布検出法を使わずに, 最先端の手法よりも精度が高いことを示した。
関連論文リスト
- 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) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Confidence-Aware and Self-Supervised Image Anomaly Localisation [7.099105239108548]
本稿では,ゆるやかな特徴的局所性制約による確率的推論の近似を支援する,自己教師付きシングルクラストレーニング戦略について論じる。
提案手法は,複数のオフ・オブ・ディストリビューション(OOD)検出モデルに統合されている。
論文 参考訳（メタデータ） (2023-03-23T12:48:47Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Margin-Aware Intra-Class Novelty Identification for Medical Images [2.647674705784439]
ノベルティ検出のためのハイブリッドモデル-変換に基づく埋め込み学習(TEND)を提案する。
事前訓練されたオートエンコーダを画像特徴抽出器として、TENDは変換されたオートエンコーダから分布内データの特徴埋め込みを偽のアウト・オブ・ディストリビューション入力として識別する。
論文 参考訳（メタデータ） (2021-07-31T00:10:26Z) - Out-of-Distribution Detection for Dermoscopic Image Classification [0.0]
本研究では, 神経ネットワークを訓練する新しい簡易な手法を開発し, 皮膚疾患画像の分布を分類する。
本研究では,BinaryHeadsモデルが,データのアンバランス時の分類バランス精度を損なわないだけでなく,バランス精度を一貫して改善していることを示した。
論文 参考訳（メタデータ） (2021-04-15T23:34:53Z) - Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。
CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。
複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2020-08-12T06:23:49Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Semi-supervised and Unsupervised Methods for Heart Sounds Classification
in Restricted Data Environments [4.712158833534046]
本研究は、PhyloNet/CinC 2016 Challengeデータセット上で、様々な教師付き、半教師付き、教師なしのアプローチを用いる。
GANをベースとした半教師付き手法が提案され,非ラベルデータサンプルを用いてデータ分散の学習を促進できる。
特に、1D CNN Autoencoderと1クラスSVMを併用した教師なし特徴抽出は、データラベル付けなしで優れた性能が得られる。
論文 参考訳（メタデータ） (2020-06-04T02:07:35Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - Anomaly Detection by One Class Latent Regularized Networks [36.67420338535258]
近年,GANに基づく半教師付きジェネレーティブ・アドバイザリアル・ネットワーク(GAN)手法が,異常検出タスクで人気を集めている。
遅延特徴空間でトレーニングデータの基盤となる構造を捕捉する新しい対角デュアルオートエンコーダネットワークを提案する。
実験の結果,MNISTおよびCIFAR10データセットおよびGTSRB停止信号データセットの最先端結果が得られた。
論文 参考訳（メタデータ） (2020-02-05T02:21:52Z)
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。