Fugu-MT 論文翻訳(概要): Simple High Quality OoD Detection with L2 Normalization

論文の概要: Simple High Quality OoD Detection with L2 Normalization

arxiv url: http://arxiv.org/abs/2306.04072v1
Date: Wed, 7 Jun 2023 00:13:21 GMT
ステータス: 処理完了
システム内更新日: 2023-06-08 16:50:33.190302
Title: Simple High Quality OoD Detection with L2 Normalization
Title（参考訳）: L2正規化による簡易OoD検出
Authors: Jarrod Haas, William Yolland, Bernhard Rabus
Abstract要約: テスト時にL2正規化が除去されると、特徴ベクトルのL2ノルムは驚くほど良いネットワーク不確かさのプロキシとなる。特に、これはトレーニング中にほとんど追加のコストがかからず、テスト時にほとんどコストがかからない。
参考スコア（独自算出の注目度）: 0.9558392439655015
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We propose a simple modification to standard ResNet architectures during training--L2 normalization over feature space--that produces results competitive with state-of-the-art Out-of-Distribution (OoD) detection performance. When L2 normalization is removed at test time, the L2 norm of feature vectors becomes a surprisingly good proxy for network uncertainty, whereas this behaviour is not nearly as effective when training without L2 normalization. Intuitively, familiar images result in large magnitude vectors, while unfamiliar images result in small magnitudes. Notably, this is achievable with almost no additional cost during training, and no cost at test time.
Abstract（参考訳）: 本稿では,訓練中の標準resnetアーキテクチャの簡単な修正を提案する。--l2正規化は,最先端のout-of-distribution (ood) 検出性能に匹敵する結果をもたらす。テスト時にL2正規化を除去すると、特徴ベクトルのL2ノルムは驚くほど良いネットワーク不確かさのプロキシとなるが、L2正規化なしでのトレーニングでは、この振る舞いはほとんど効果的ではない。直感的には、慣れ親しんだ画像は大きなベクトルとなり、馴染みのない画像は小さな大きさとなる。特に、これはトレーニング中にほとんど追加のコストがなく、テスト時にコストがかかりません。

関連論文リスト

Pedestrian Attribute Recognition: A New Benchmark Dataset and A Large Language Model Augmented Framework [15.991114464911844]
過去5年間で、大規模なデータセットは公開されていない。本稿では,大規模・クロスドメインな歩行者属性認識データセット MSP60K を提案する。 8つのシナリオにまたがる60,122のイメージと57の属性アノテーションで構成されている。
論文参考訳（メタデータ） (2024-08-19T06:19:31Z)
Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
論文参考訳（メタデータ） (2023-11-30T21:11:20Z)
Dataset Quantization [72.61936019738076]
大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。 DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
論文参考訳（メタデータ） (2023-08-21T07:24:29Z)
Memory-Efficient Graph Convolutional Networks for Object Classification and Detection with Event Cameras [2.3311605203774395]
グラフ畳み込みネットワーク(GCN)は、イベントデータを解析するための有望なアプローチである。本稿では,満足度の高い結果と比較的低いモデル複雑性を達成するために,両要因を共に検討する。その結果,特徴抽出モジュールのパラメータ数を450倍に減らし,データ表現のサイズを4.5倍に減らした。
論文参考訳（メタデータ） (2023-07-26T11:44:44Z)
A Faster, Lighter and Stronger Deep Learning-Based Approach for Place Recognition [7.9400442516053475]
より速く、より軽く、より強力なアプローチを提案し、より少ないパラメータでモデルを生成でき、推論段階での時間を短縮できる。本稿では,RepVG-liteをアーキテクチャのバックボーンネットワークとして設計する。提案システムは,Patch-NetVLADの14倍,理論的FLOPの6.8倍,特徴抽出と特徴マッチングの21倍,33倍の高速化を実現している。
論文参考訳（メタデータ） (2022-11-27T15:46:53Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
論文参考訳（メタデータ） (2022-03-21T05:56:12Z)
Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文参考訳（メタデータ） (2020-08-19T13:13:01Z)
Objectness-Aware Few-Shot Semantic Segmentation [31.13009111054977]
モデル全体のキャパシティを向上し、パフォーマンスを向上させる方法を示す。我々は、クラス非依存であり、過度に適合しがちな客観性を導入する。注釈のないカテゴリの例が1つだけあると、実験により、mIoUに関して、我々の手法が最先端の手法より優れていることが示されている。
論文参考訳（メタデータ） (2020-04-06T19:12:08Z)
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。