論文の概要: Out-of-distribution detection algorithms for robust insect classification

• arxiv url: http://arxiv.org/abs/2305.01823v1
• Date: Tue, 2 May 2023 23:19:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-04 16:19:55.802211
• Title: Out-of-distribution detection algorithms for robust insect classification
• Title（参考訳）: ロバストな昆虫分類のための分散検出アルゴリズム
• Authors: Mojdeh Saadati, Aditya Balu, Shivani Chiranjeevi, Talukder Zaki Jubery, Asheesh K Singh, Soumik Sarkar, Arti Singh, Baskar Ganapathysubramanian
• Abstract要約: アウト・オブ・ディストリビューション(OOD)検出アルゴリズムは、これらの課題を克服するためのエキサイティングな道を提供する。 昆虫検出分類器における最先端OODアルゴリズムの性能評価を行った。
• 参考スコア（独自算出の注目度）: 9.411531046381723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based approaches have produced models with good insect classification accuracy; Most of these models are conducive for application in controlled environmental conditions. One of the primary emphasis of researchers is to implement identification and classification models in the real agriculture fields, which is challenging because input images that are wildly out of the distribution (e.g., images like vehicles, animals, humans, or a blurred image of an insect or insect class that is not yet trained on) can produce an incorrect insect classification. Out-of-distribution (OOD) detection algorithms provide an exciting avenue to overcome these challenge as it ensures that a model abstains from making incorrect classification prediction of non-insect and/or untrained insect class images. We generate and evaluate the performance of state-of-the-art OOD algorithms on insect detection classifiers. These algorithms represent a diversity of methods for addressing an OOD problem. Specifically, we focus on extrusive algorithms, i.e., algorithms that wrap around a well-trained classifier without the need for additional co-training. We compared three OOD detection algorithms: (i) Maximum Softmax Probability, which uses the softmax value as a confidence score, (ii) Mahalanobis distance-based algorithm, which uses a generative classification approach; and (iii) Energy-Based algorithm that maps the input data to a scalar value, called energy. We performed an extensive series of evaluations of these OOD algorithms across three performance axes: (a) \textit{Base model accuracy}: How does the accuracy of the classifier impact OOD performance? (b) How does the \textit{level of dissimilarity to the domain} impact OOD performance? and (c) \textit{Data imbalance}: How sensitive is OOD performance to the imbalance in per-class sample size?
• Abstract（参考訳）: 深層学習に基づくアプローチは昆虫の分類精度に優れたモデルを生み出している。 研究者の第一の重点は、実際の農業分野における識別と分類モデルを実装することであるが、これは、分布から大きく外れた入力画像(例えば、車、動物、人間、またはまだ訓練されていない昆虫や昆虫のぼやけた画像)が、間違った昆虫分類を生み出す可能性があるためである。 アウト・オブ・ディストリビューション(OOD)検出アルゴリズムは、モデルが非昆虫または/または未訓練の昆虫分類画像の誤った分類予測をしないことを保証するため、これらの課題を克服するためのエキサイティングな手段を提供する。 昆虫検出分類器における最先端OODアルゴリズムの性能評価を行った。 これらのアルゴリズムは、OOD問題に対処する手法の多様性を表す。 具体的には、余分なコトレーニングを必要とせずに、よく訓練された分類器を包むアルゴリズムであるエクストルーシブアルゴリズムに焦点を当てる。 3つのood検出アルゴリズムを比較しました (i)最大ソフトマックス確率は、ソフトマックス値を信頼度スコアとして用いる。 (ii)生成的分類アプローチを用いたマハラノビス距離に基づくアルゴリズム (iii)エネルギと呼ばれる入力データをスカラー値にマッピングするエネルギベースアルゴリズム。 我々は,これらoodアルゴリズムの3つの性能軸にわたる広範囲な評価を行った。 (a) \textit{Base model accuracy}: 分類器の精度はOODのパフォーマンスにどのように影響しますか? b) <textit{level of dissimilarity to the domain} は OOD のパフォーマンスにどのように影響しますか? そして c) \textit{data imbalance}: oodのパフォーマンスはクラス毎のサンプルサイズの不均衡にどの程度敏感か?

関連論文リスト

• A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
  我々は、最先端のOOD検出方法20について詳しく検討する。 不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
  論文  参考訳（メタデータ） (2024-04-02T09:40:22Z)
• Machine Learning-Assisted Pattern Recognition Algorithms for Estimating Ultimate Tensile Strength in Fused Deposition Modeled Polylactic Acid Specimens [0.0]
  混合沈着モデル(FDM)プロセスを用いて作製したポリ乳酸(PLA)試料の最大引張強度(UTS)を推定するための教師付き機械学習アルゴリズムの適用について検討した。 主な目的は、ロジスティック分類(Logistic Classification)、グラディエントブースティング分類(Gradient Boosting Classification)、決定木(Decision Tree)、K-Nearest Neighbor(K-Nearest Neighbor)の4つの異なる分類アルゴリズムの精度と有効性を評価することである。 その結果、決定木とK-Nearest NeighborアルゴリズムはともにF1スコア0.71を達成したが、KNNアルゴリズムはAUC(Area Under the Curve)スコア0.79を達成し、他のアルゴリズムを上回った。
  論文  参考訳（メタデータ） (2023-07-13T11:10:22Z)
• Fine-grain Inference on Out-of-Distribution Data with Hierarchical Classification [37.05947324355846]
  我々は,入力がよりあいまいになるにつれて,様々な粒度の予測を行うOOD検出の新しいモデルを提案する。 細粒度OODタスクと粗粒度OODタスクの階層型分類器の有効性を示す。
  論文  参考訳（メタデータ） (2022-09-09T18:52:36Z)
• Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
  クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。 表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
  論文  参考訳（メタデータ） (2022-06-16T11:44:11Z)
• Metric Learning and Adaptive Boundary for Out-of-Domain Detection [0.9236074230806579]
  我々はOODデータに依存しないOOD検出アルゴリズムを設計した。 提案アルゴリズムは,メトリック学習と適応的決定境界を併用する,シンプルだが効率的な手法に基づいている。 他のアルゴリズムと比較して,提案アルゴリズムでは,クラス数が少ないシナリオにおいて,OOD性能が大幅に向上していることが判明した。
  論文  参考訳（メタデータ） (2022-04-22T17:54:55Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)
• Investigating the Robustness of Artificial Intelligent Algorithms with Mixture Experiments [1.877815076482061]
  AIアルゴリズムの堅牢性は、不正確な予測によって安全上の懸念が生じ、AIシステムの採用が制限される可能性があるため、大きな関心事である。 ロバストな分類アルゴリズムは、異なるアプリケーションシナリオ下で高い精度と低い変数を持つことが期待されている。 我々は、予測性能を収集するために、総合的な混合実験を行う。 次に,様々な要因がAI分類アルゴリズムの堅牢性にどのように影響するかを統計的に分析する。
  論文  参考訳（メタデータ） (2020-10-10T15:38:53Z)
• An Algorithm for Out-Of-Distribution Attack to Neural Network Encoder [1.7305469511995404]
  Out-Of-Distribution (OOD) サンプルはトレーニングセットの分布に従わないため、OOD サンプルの予測されたクラスラベルは意味のないものとなる。 本手法は理論的保証がなく,OODアタックアルゴリズムにより事実上破壊可能であることを示す。 また、Glow chance-based OOD detectionも破壊可能であることも示している。
  論文  参考訳（メタデータ） (2020-09-17T02:10:36Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。