論文の概要: Background Matters: Enhancing Out-of-distribution Detection with Domain
Features
- arxiv url: http://arxiv.org/abs/2303.08727v1
- Date: Wed, 15 Mar 2023 16:12:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 13:03:00.655336
- Title: Background Matters: Enhancing Out-of-distribution Detection with Domain
Features
- Title(参考訳): 背景問題:ドメイン機能による分散検出の強化
- Authors: Choubo Ding, Guansong Pang, Chunhua Shen
- Abstract要約: OODサンプルは任意の分布から引き出すことができ、様々な次元における分布内(ID)データからの偏差を示す。
既存の方法は、ドメインの特徴のような他の次元を無視しながら、意味的特徴に基づいてOODサンプルを検出することに重点を置いている。
本稿では,IDトレーニングサンプルからドメインの特徴を高密度な予測手法により学習することのできる,新しい汎用フレームワークを提案する。
- 参考スコア(独自算出の注目度): 90.32910087103744
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting out-of-distribution (OOD) inputs is a principal task for ensuring
the safety of deploying deep-neural-network classifiers in open-world
scenarios. OOD samples can be drawn from arbitrary distributions and exhibit
deviations from in-distribution (ID) data in various dimensions, such as
foreground semantic features (e.g., vehicle images vs. ID samples in fruit
classification) and background domain features (e.g., textural images vs. ID
samples in object recognition). Existing methods focus on detecting OOD samples
based on the semantic features, while neglecting the other dimensions such as
the domain features. This paper considers the importance of the domain features
in OOD detection and proposes to leverage them to enhance the
semantic-feature-based OOD detection methods. To this end, we propose a novel
generic framework that can learn the domain features from the ID training
samples by a dense prediction approach, with which different existing
semantic-feature-based OOD detection methods can be seamlessly combined to
jointly learn the in-distribution features from both the semantic and domain
dimensions. Extensive experiments show that our approach 1) can substantially
enhance the performance of four different state-of-the-art (SotA) OOD detection
methods on multiple widely-used OOD datasets with diverse domain features, and
2) achieves new SotA performance on these benchmarks.
- Abstract(参考訳): アウトオブディストリビューション(ood)入力の検出は、オープンワールドシナリオにおけるディープニューラルネットワーク分類器のデプロイの安全性を確保するための主要なタスクである。
OODサンプルは任意の分布から抽出することができ、前景のセマンティック特徴(例えば、果物分類における車両画像対IDサンプル)や背景ドメイン特徴(例えば、音声認識におけるテクスチャ画像対IDサンプル)など、様々な次元における分布内IDデータからの偏差を示すことができる。
既存の手法では、ドメイン機能などの他の次元を無視しながら、セマンティックな特徴に基づいたoodサンプルの検出に重点を置いている。
本稿では,OOD検出におけるドメインの特徴の重要性を考察し,それを活用して意味機能に基づくOOD検出手法を提案する。
そこで本研究では,IDトレーニングサンプルからドメイン特徴を学習可能な新しい汎用フレームワークを提案する。このフレームワークでは,既存の意味特徴に基づくOOD検出手法をシームレスに組み合わせて,意味領域とドメイン領域の両方から分布内特徴をシームレスに学習することができる。
大規模な実験は我々のアプローチが示す
1) 多様なドメイン特徴を持つ多種多様なOODデータセット上での4種類の最先端(SotA)OOD検出手法の性能を大幅に向上させることができる。
2) これらのベンチマークで新しいSotA性能を実現する。
関連論文リスト
- TagOOD: A Novel Approach to Out-of-Distribution Detection via Vision-Language Representations and Class Center Learning [26.446233594630087]
視覚言語表現を用いたOOD検出のための新しいアプローチである textbfTagOOD を提案する。
TagOODは、抽出されたオブジェクトの特徴に基づいて軽量なネットワークをトレーニングし、代表的なクラスセンターを学習する。
これらの中心は、OOD検出における無関係な画像特徴の影響を最小限に抑え、INDオブジェクトクラスの中心的な傾向を捉えている。
論文 参考訳(メタデータ) (2024-08-28T06:37:59Z) - WeiPer: OOD Detection using Weight Perturbations of Class Projections [11.130659240045544]
入力のよりリッチな表現を生成する最終完全連結層にクラスプロジェクションの摂動を導入する。
我々はOpenOODフレームワークの複数のベンチマークで最先端のOOD検出結果を得る。
論文 参考訳(メタデータ) (2024-05-27T13:38:28Z) - MOODv2: Masked Image Modeling for Out-of-Distribution Detection [57.17163962383442]
本研究は,様々なOODスコア関数を用いて,個別の事前学習課題について検討する。
当社のフレームワークMOODv2は,14.30%のAUROCをImageNetで95.68%に向上し,CIFAR-10で99.98%を達成した。
論文 参考訳(メタデータ) (2024-01-05T02:57:58Z) - From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。
近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。
グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
論文 参考訳(メタデータ) (2023-08-20T11:56:25Z) - Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection
Capability [70.72426887518517]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。
本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。
本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文 参考訳(メタデータ) (2023-06-06T14:23:34Z) - Building One-class Detector for Anything: Open-vocabulary Zero-shot OOD
Detection Using Text-image Models [23.302018871162186]
ゼロショット方式でテキスト画像事前学習モデルを利用する新しい1クラスオープンセットOOD検出器を提案する。
提案手法は,ドメイン内でないものを検出し,多様なOODを検出する柔軟性を提供する。
本手法は,すべてのベンチマークにおいて,従来の手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-26T18:58:56Z) - Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is
All You Need [52.88953913542445]
簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。
我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
論文 参考訳(メタデータ) (2023-02-06T08:24:41Z) - 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) - Breaking Down Out-of-Distribution Detection: Many Methods Based on OOD
Training Data Estimate a Combination of the Same Core Quantities [104.02531442035483]
本研究の目的は,OOD検出手法の暗黙的なスコアリング機能を識別すると同時に,共通の目的を認識することである。
内分布と外分布の2値差はOOD検出問題のいくつかの異なる定式化と等価であることを示す。
また, 外乱露光で使用される信頼損失は, 理論上最適のスコアリング関数と非自明な方法で異なる暗黙的なスコアリング関数を持つことを示した。
論文 参考訳(メタデータ) (2022-06-20T16:32:49Z) - 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) - OODformer: Out-Of-Distribution Detection Transformer [15.17006322500865]
現実世界の安全クリティカルなアプリケーションでは、新しいデータポイントがOODであるかどうかを認識することが重要です。
本稿では,OODformer というファースト・オブ・ザ・キンドな OOD 検出アーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-07-19T15:46:38Z)
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。