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
- YolOOD: Utilizing Object Detection Concepts for Out-of-Distribution
Detection [39.87569094186621]
アウト・オブ・ディストリビューション(OOD)検出は近年,機械学習研究コミュニティから大きな注目を集めている。
従来の研究のほとんどは、多クラス分類タスクにおけるOODサンプルの検出に重点を置いていた。
マルチラベル分類タスクにおいて,オブジェクト検出領域の概念を用いてOOD検出を行う方法であるYolOODを提案する。
論文 参考訳(メタデータ) (2022-12-05T07:52:08Z) - On the Usefulness of Deep Ensemble Diversity for Out-of-Distribution
Detection [7.221206118679026]
ディープラーニングの安全性クリティカルな応用において、OOD(Out-of-Distribution)データを検出する能力が重要である。
この文献の既存の直観は、ディープ・アンサンブルの予測の多様性は分布シフトを示しているということである。
ImageNet-scale OOD 検出では,この直観が有効でないことを示す。
論文 参考訳(メタデータ) (2022-07-15T15:02:38Z) - Igeood: An Information Geometry Approach to Out-of-Distribution
Detection [35.04325145919005]
Igeoodは, オフ・オブ・ディストリビューション(OOD)サンプルを効果的に検出する手法である。
Igeoodは任意のトレーニング済みニューラルネットワークに適用され、機械学習モデルにさまざまなアクセス権を持つ。
Igeoodは、さまざまなネットワークアーキテクチャやデータセットにおいて、競合する最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-03-15T11:26:35Z) - Benchmarking Deep Models for Salient Object Detection [67.07247772280212]
汎用SALOD(General SALient Object Detection)ベンチマークを構築し,複数のSOD手法の総合的な比較を行った。
以上の実験では、既存の損失関数は、通常いくつかの指標に特化しているが、他の指標には劣る結果が報告されている。
我々は,深層ネットワークに画素レベルと画像レベルの両方の監視信号を統合することにより,より識別的な特徴を学習するためのエッジ・アウェア・ロス(EA)を提案する。
論文 参考訳(メタデータ) (2022-02-07T03:43:16Z) - 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) - Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。
DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。
擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-06-30T03:17:20Z) - Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation [67.83872616307008]
Unversarial Domain adaptation (UDA)は、異なる分散されたラベル付きソースドメインから学習モデルを構築することで、ラベルなしのターゲットサンプルを認識しようとする。
本稿では,タスク固有のカテゴリ境界に一致するソースとターゲット領域のデータ分布を同時に整合させる新しいアドリラルデュアル・ディスタンス・ネットワーク(AD$2$CN)を提案する。
具体的には、ドメイン不変の特徴発生器を利用して、識別的クロスドメインアライメントのガイダンスにより、ソースとターゲットデータを潜在共通空間に埋め込む。
論文 参考訳(メタデータ) (2020-08-27T01:29:10Z) - Cross-domain Face Presentation Attack Detection via Multi-domain
Disentangled Representation Learning [109.42987031347582]
顔提示攻撃検出(PAD)は,顔認識システムにおいて緊急に解決すべき課題である。
クロスドメイン顔PADのための効率的な非交叉表現学習を提案する。
我々のアプローチは、不整合表現学習(DR-Net)とマルチドメイン学習(MD-Net)からなる。
論文 参考訳(メタデータ) (2020-04-04T15:45:14Z)
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。