論文の概要: Reconstruction-based Out-of-Distribution Detection for Short-Range FMCW Radar

• arxiv url: http://arxiv.org/abs/2302.14192v2
• Date: Thu, 15 Jun 2023 09:26:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-17 01:56:59.393638
• Title: Reconstruction-based Out-of-Distribution Detection for Short-Range FMCW Radar
• Title（参考訳）: 短距離FMCWレーダの再構成による分布検出
• Authors: Sabri Mustafa Kahya, Muhammet Sami Yavuz, Eckehard Steinbach
• Abstract要約: 本稿では,レーダ領域で動作する新しい再構成型OOD検出器を提案する。 提案手法はオートエンコーダ(AE)とその潜在表現を利用してOODサンプルを検出する。 我々は60GHz短距離FMCWレーダを用いて収集したデータセットに対して90.72%のAUROCを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection recently has drawn attention due to its critical role in the safe deployment of modern neural network architectures in real-world applications. The OOD detectors aim to distinguish samples that lie outside the training distribution in order to avoid the overconfident predictions of machine learning models on OOD data. Existing detectors, which mainly rely on the logit, intermediate feature space, softmax score, or reconstruction loss, manage to produce promising results. However, most of these methods are developed for the image domain. In this study, we propose a novel reconstruction-based OOD detector to operate on the radar domain. Our method exploits an autoencoder (AE) and its latent representation to detect the OOD samples. We propose two scores incorporating the patch-based reconstruction loss and the energy value calculated from the latent representations of each patch. We achieve an AUROC of 90.72% on our dataset collected by using 60 GHz short-range FMCW Radar. The experiments demonstrate that, in terms of AUROC and AUPR, our method outperforms the baseline (AE) and the other state-of-the-art methods. Also, thanks to its model size of 641 kB, our detector is suitable for embedded usage.
• Abstract（参考訳）: オフ・オブ・ディストリビューション(OOD)検出は、現代のニューラルネットワークアーキテクチャを現実世界のアプリケーションに安全に配置する上で重要な役割を担っているため、最近注目を集めている。 OOD検出器は、OODデータ上の機械学習モデルの過度な予測を避けるために、トレーニング分布の外にあるサンプルを識別することを目的としている。 既存の検出器は主にロジット、中間特徴空間、ソフトマックススコア、または再構成損失に依存しており、将来性のある結果を生み出す。 しかし,これらの手法のほとんどは画像領域向けに開発されている。 本研究では,レーダ領域で動作する新しい再構成型OOD検出器を提案する。 本手法はオートエンコーダ(AE)とその潜在表現を利用してOODサンプルを検出する。 パッチベース再構築損失と各パッチの潜在表現から算出したエネルギー値を組み合わせた2つのスコアを提案する。 我々は60GHz短距離FMCWレーダを用いて収集したデータセットに対して90.72%のAUROCを実現する。 実験により,AUROC法とAUPR法は,ベースライン(AE)および他の最先端手法よりも優れた性能を示した。 また,モデルサイズが641kbであるため,本検出器は組込み使用に適している。

関連論文リスト

• Learning Multi-Manifold Embedding for Out-Of-Distribution Detection [16.283293167689948]
  オフ・オブ・ディストリビューション(OOD)サンプルは、現実世界のアプリケーションにおいて信頼できるAIにとって不可欠である。 本稿では,OOD検出の強化を目的としたMMEL(Multi-Manifold Embedding Learning)フレームワークを提案する。 MMELは代表埋め込みを生成し、OODサンプルの識別にプロトタイプ認識スコアリング機能を利用する。
  論文  参考訳（メタデータ） (2024-09-19T05:43:00Z)
• Compressing VAE-Based Out-of-Distribution Detectors for Embedded Deployment [2.27626288527213]
  アウト・オブ・ディストリビューション検出器は、組込みサイバー物理システムの安全モニターとして機能する。 ディープニューラルネットワークは、メモリと電力の制約のある組み込みシステムにおいて、リアルタイムの期限を満たすのが難しくなる。 本稿では,3つの圧縮手法をすべて組み合わせた設計手法を提案し,メモリと実行時間を大幅に削減する。
  論文  参考訳（メタデータ） (2024-09-02T00:39:29Z)
• FOOD: Facial Authentication and Out-of-Distribution Detection with Short-Range FMCW Radar [0.0]
  本稿では,短距離FMCWレーダを用いた顔認証とオフ・オブ・ディストリビューション(OOD)検出フレームワークを提案する。 本研究パイプラインは,IDサンプルの正しいクラスを共同で推定し,OODサンプルを検出して不正確な予測を防止する。 また,60GHz短距離FMCWレーダを用いて収集したデータセットに対して,分布しない顔の識別における平均分類精度98.07%を実現した。
  論文  参考訳（メタデータ） (2024-06-06T23:08:03Z)
• HAROOD: Human Activity Classification and Out-of-Distribution Detection with Short-Range FMCW Radar [0.0]
  本研究では,短距離FMCWレーダを用いた人間活動分類器とアウト・オブ・ディストリビューション検出器としてHAROODを提案する。 人間の立位、立位、歩行活動を分類し、OODとして他の移動物体や静止物体を検出することを目的としている。 60GHz短距離FMCWレーダーで収集したデータセットでは、平均的な分類精度は96.51%である。
  論文  参考訳（メタデータ） (2023-12-14T12:56:28Z)
• SR-OOD: Out-of-Distribution Detection via Sample Repairing [48.272537939227206]
  アウト・オブ・ディストリビューション(OOD)検出は、機械学習モデルの信頼性と堅牢性を保証するための重要なタスクである。 近年の研究では、生成モデルはOODサンプルに高い信頼度を割り当てることがしばしばあり、データのセマンティックな情報を捕捉できないことが示されている。 我々は,サンプル修復の利点を生かし,新しいOOD検出フレームワーク,SR-OODを提案する。 本フレームワークは,OOD検出における最先端な生成手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-05-26T16:35:20Z)
• 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)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• ATOM: Robustifying Out-of-distribution Detection Using Outlier Mining [51.19164318924997]
  インフォメーション・アウトリエ・マイニングによるアドリアトレーニングは、OOD検出の堅牢性を向上させる。 ATOMは,古典的,敵対的なOOD評価タスクの幅広いファミリーの下で,最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-26T20:58:05Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。