論文の概要: Image Background Serves as Good Proxy for Out-of-distribution Data
- arxiv url: http://arxiv.org/abs/2307.00519v2
- Date: Wed, 17 Jan 2024 03:56:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 21:15:15.253531
- Title: Image Background Serves as Good Proxy for Out-of-distribution Data
- Title（参考訳）: 画像背景は分散データの優れたプロキシとして機能する
- Authors: Sen Pei
- Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、オープンワールドにおける未知のデータを特定するために、クローズドイメージセットでトレーニングされたモデルに権限を与える。
我々は、既存の多くのメソッドを解釈する一般的な確率的フレームワークと、textbfSelfで教師された textbfSampling for textbfOOD textbfDetection (SSOD) を用いた OOD-data-free モデルを提案する。
- 参考スコア（独自算出の注目度）: 5.568677882434485
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-distribution (OOD) detection empowers the model trained on the closed
image set to identify unknown data in the open world. Though many prior
techniques have yielded considerable improvements in this research direction,
two crucial obstacles still remain. Firstly, a unified perspective has yet to
be presented to view the developed arts with individual designs, which is vital
for providing insights into future work. Secondly, we expect sufficient natural
OOD supervision to promote the generation of compact boundaries between the
in-distribution (ID) and OOD data without collecting explicit OOD samples. To
tackle these issues, we propose a general probabilistic framework to interpret
many existing methods and an OOD-data-free model, namely
\textbf{S}elf-supervised \textbf{S}ampling for \textbf{O}OD \textbf{D}etection
(SSOD). SSOD efficiently exploits natural OOD signals from the ID data based on
the local property of convolution. With these supervisions, it jointly
optimizes the OOD detection and conventional ID classification in an end-to-end
manner. Extensive experiments reveal that SSOD establishes competitive
state-of-the-art performance on many large-scale benchmarks, outperforming the
best previous method by a large margin, \eg, reporting \textbf{-6.28\%} FPR95
and \textbf{+0.77\%} AUROC on ImageNet, \textbf{-19.01\%} FPR95 and
\textbf{+3.04\%} AUROC on CIFAR-10, and top-ranked performance on hard OOD
datasets, \ie, ImageNet-O and OpenImage-O.
- Abstract（参考訳）: out-of-distribution (ood) 検出は、オープンワールドにおける未知のデータを識別するために、クローズドイメージセットでトレーニングされたモデルを強化する。
多くの先行技術がこの研究の方向性に大きな改善をもたらしたが、2つの重要な障害が残っている。
第一に、先進的な芸術を個々のデザインで見るための統一的な視点はまだ提示されておらず、将来の仕事への洞察を提供するのに不可欠である。
第2に,OOD の明示的なサンプルを収集することなく,ID と OOD データ間のコンパクトな境界の生成を促進するために,十分な天然 OOD 監督を期待する。
これらの問題に対処するために,既存の多くのメソッドと OOD-data-free モデル,すなわち \textbf{S}elf-supervised \textbf{S}ampling for \textbf{O}OD \textbf{D}etection (SSOD)を提案する。
SSODは、畳み込みの局所特性に基づいて、IDデータから自然のOOD信号を効率的に活用する。
これらの監視により、OOD検出と従来のID分類をエンドツーエンドで共同で最適化する。
広範囲な実験により、ssodは多くの大規模ベンチマークで最先端のパフォーマンスを確立しており、従来の手法を大差で上回っており、 \eg, reporting \textbf{-6.28\%} fpr95 と \textbf{+0.77\%} auroc on imagenet, \textbf{-19.01\%} fpr95 と \textbf{+3.04\%} auroc on cifar-10 と hard ood datasets, \ie, imagenet-o and openimage-o の上位パフォーマンスを上回っている。
関連論文リスト
- Non-Linear Outlier Synthesis for Out-of-Distribution Detection [5.019613806273252]
本稿では,拡散モデル埋め込み空間で直接操作することで,合成外乱器の品質を向上させるNCISを提案する。
これらの改良により,標準的な ImageNet100 および CIFAR100 ベンチマークにおいて,最先端の OOD 検出結果が得られた。
論文 参考訳（メタデータ） (2024-11-20T09:47:29Z) - Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。
テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。
SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
論文 参考訳（メタデータ） (2024-09-08T17:28:22Z) - HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection [78.47008997035158]
グラフデータはより多様性を示すが、摂動に対する堅牢性は低く、外れ値の統合を複雑にする。
我々は、グラフOOD検出性能を改善するために、textbfHybrid外部および内部の textbfGraph textbfOutlier textbfExposure (HGOE) の導入を提案する。
論文 参考訳（メタデータ） (2024-07-31T16:55:18Z) - OAL: Enhancing OOD Detection Using Latent Diffusion [5.357756138014614]
Outlier Aware Learning (OAL)フレームワークは、潜伏空間で直接OODトレーニングデータを合成する。
In-Distribution (ID) と収集したOOD特徴の区別を増幅する相互情報に基づくコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-06-24T11:01:43Z) - EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
本稿では,長い尾を持つOOD検出の課題に対処する。
主な困難は、尾クラスに属するサンプルとOODデータを区別することである。
本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
論文 参考訳（メタデータ） (2023-12-14T13:47:13Z) - Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。
Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。
複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
論文 参考訳（メタデータ） (2023-11-28T02:00:47Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - Training OOD Detectors in their Natural Habitats [31.565635192716712]
アウト・オブ・ディストリビューション(OOD)検出は、野生にデプロイされた機械学習モデルにとって重要である。
近年の手法では,OOD検出の改善のために補助外乱データを用いてモデルを正規化している。
我々は、自然にIDとOODの両方のサンプルで構成される野生の混合データを活用する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） (2022-02-07T15:38:39Z) - 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。