論文の概要: Unsupervised Image Outlier Detection using RANSAC
- arxiv url: http://arxiv.org/abs/2307.12301v2
- Date: Sun, 26 Nov 2023 15:06:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 15:23:15.533227
- Title: Unsupervised Image Outlier Detection using RANSAC
- Title(参考訳): RANSACを用いた教師なし画像異常検出
- Authors: Chen-Han Tsai, Yu-Shao Peng
- Abstract要約: 画像異常検出(OD)は、コンピュータビジョンタスクで使用される画像データセットの品質と精度を保証するための重要なツールである。
しかし、既存のアプローチのほとんどは、アウトレイラ予測に先立ってトレーニングのために、一組の分散データを必要とする。
本研究では, RANSAC-NNを提案する。RANSAC-NNは, 汚染された集合内の外れ値を検出するための教師なし画像ODアルゴリズムである。
- 参考スコア(独自算出の注目度): 0.27195102129094995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image outlier detection (OD) is an essential tool to ensure the quality and
accuracy of image datasets used in computer vision tasks. Most existing
approaches, however, require a set of in-distribution data for training prior
to outlier prediction. The quality and quantity of the data can influence the
resulting performance. Thus, selecting a suitable in-distribution set often
requires considerable effort. In this work, we propose RANSAC-NN, an
unsupervised image OD algorithm designed to detect outliers within contaminated
sets in a one-class classification fashion. Without any training, RANSAC-NN
performs favorably in comparison to other well-established methods in a variety
of OD benchmarks. Furthermore, we show that our method can enhance the
robustness of existing OD methods by simply applying RANSAC-NN during
pre-processing.
- Abstract(参考訳): 画像異常検出(OD)は、コンピュータビジョンタスクで使用される画像データセットの品質と精度を保証するための重要なツールである。
しかし、既存のアプローチのほとんどは、アウトレイラ予測に先立ってトレーニングのために、一連の分散データを必要とする。
データの品質と量は、結果のパフォーマンスに影響を与える可能性がある。
したがって、適切な分配集合を選択するには、しばしばかなりの労力を要する。
本研究では,一級分類方式で汚染された集合内の外れ値を検出するための教師なし画像ODアルゴリズムであるRANSAC-NNを提案する。
RANSAC-NNはトレーニングなしで、様々なODベンチマークで確立された他の方法と比較して好適に機能する。
さらに,本手法は,RANSAC-NNを前処理中に簡単に適用することで,既存のOD手法の堅牢性を高めることができることを示す。
関連論文リスト
- CUCL: Codebook for Unsupervised Continual Learning [129.91731617718781]
本研究は,教師なし連続学習(UCL)の代替として,教師なし連続学習(UCL)に焦点を当てている。
本稿では,教師なし連続学習のためのCodebook for Unsupervised Continual Learning (CUCL) という手法を提案する。
本手法は教師なしおよび教師なしの手法の性能を大幅に向上させる。
論文 参考訳(メタデータ) (2023-11-25T03:08:50Z) - No Data Augmentation? Alternative Regularizations for Effective Training
on Small Datasets [0.0]
我々は、小さな画像分類データセットにおける教師あり学習の限界を推し進めるために、代替正規化戦略について研究する。
特に,モデルパラメータのノルムを通した最適学習率と重み減衰対の選択に非依存を用いる。
テスト精度は66.5%に達し、最先端の手法に匹敵する。
論文 参考訳(メタデータ) (2023-09-04T16:13:59Z) - Exposing Outlier Exposure: What Can Be Learned From Few, One, and Zero
Outlier Images [26.283734474660484]
専門的なAD学習手法は、実際には多量かつ膨大なデータのコーパスであることを示す。
我々は,この現象を調査し,一級法がトレーニングアウトリージの特定の選択に対してより堅牢であることを明らかにする。
論文 参考訳(メタデータ) (2022-05-23T17:23:15Z) - Unsupervised Domain-Specific Deblurring using Scale-Specific Attention [0.25797036386508543]
スケール適応型アテンションモジュール (SAAM) を用いた教師なしドメイン固有のデブロアリングを提案する。
我々のネットワークはトレーニングのために教師付きペアを必要とせず、デブロアリング機構は主に敵の損失によって導かれる。
異なるアブレーション研究により、我々の粗粒度機構は、教師なしモデルよりも優れており、SAAMは文学で使用される注意モデルと比較して、より優れた参画が可能であることが示されている。
論文 参考訳(メタデータ) (2021-12-12T07:47:45Z) - Activation to Saliency: Forming High-Quality Labels for Unsupervised
Salient Object Detection [54.92703325989853]
本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。
トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。
本フレームワークは,既存のUSOD法と比較して高い性能を示した。
論文 参考訳(メタデータ) (2021-12-07T11:54:06Z) - Transfer Learning Gaussian Anomaly Detection by Fine-Tuning
Representations [3.5031508291335625]
破滅的な忘れは、新しいデータセット上で事前訓練された表現の微調整を成功させるのを防ぐ。
本稿では,移動学習環境におけるADの学習表現を微調整する手法を提案する。
また,破滅的忘れの開始を検知するバリデーションスキームにおいて,胸部リスクに一般的に使用される拡張法を提案する。
論文 参考訳(メタデータ) (2021-08-09T15:29:04Z) - Towards Unsupervised Sketch-based Image Retrieval [126.77787336692802]
本稿では,教師なし表現学習とスケッチ写真領域アライメントを同時に行う新しいフレームワークを提案する。
このフレームワークは,新しい教師なし設定では優れた性能を達成し,ゼロショット設定では最先端以上の性能を発揮する。
論文 参考訳(メタデータ) (2021-05-18T02:38:22Z) - Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。
具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
論文 参考訳(メタデータ) (2020-08-06T03:04:16Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Generalized ODIN: Detecting Out-of-distribution Image without Learning
from Out-of-distribution Data [87.61504710345528]
我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。
具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。
大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
論文 参考訳(メタデータ) (2020-02-26T04:18:25Z)
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。