論文の概要: LORD: Leveraging Open-Set Recognition with Unknown Data

• arxiv url: http://arxiv.org/abs/2308.12584v1
• Date: Thu, 24 Aug 2023 06:12:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 15:05:53.531721
• Title: LORD: Leveraging Open-Set Recognition with Unknown Data
• Title（参考訳）: LORD: 未知のデータによるオープンセット認識の活用
• Authors: Tobias Koch, Christian Riess, Thomas K\"ohler
• Abstract要約: LORDは未知のデータを活用することでオープンセット認識を活用するためのフレームワークである。 我々は、背景データを利用した3つのモデルに依存しない訓練戦略を特定し、それらを確立された分類器に適用する。
• 参考スコア（独自算出の注目度）: 10.200937444995944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Handling entirely unknown data is a challenge for any deployed classifier. Classification models are typically trained on a static pre-defined dataset and are kept in the dark for the open unassigned feature space. As a result, they struggle to deal with out-of-distribution data during inference. Addressing this task on the class-level is termed open-set recognition (OSR). However, most OSR methods are inherently limited, as they train closed-set classifiers and only adapt the downstream predictions to OSR. This work presents LORD, a framework to Leverage Open-set Recognition by exploiting unknown Data. LORD explicitly models open space during classifier training and provides a systematic evaluation for such approaches. We identify three model-agnostic training strategies that exploit background data and applied them to well-established classifiers. Due to LORD's extensive evaluation protocol, we consistently demonstrate improved recognition of unknown data. The benchmarks facilitate in-depth analysis across various requirement levels. To mitigate dependency on extensive and costly background datasets, we explore mixup as an off-the-shelf data generation technique. Our experiments highlight mixup's effectiveness as a substitute for background datasets. Lightweight constraints on mixup synthesis further improve OSR performance.
• Abstract（参考訳）: 完全に未知のデータを扱うことは、デプロイされた分類器にとって難しい。 分類モデルは、通常、静的に事前定義されたデータセットで訓練され、未割り当ての機能空間のために暗く保たれる。 その結果、彼らは推論中に分散外データを扱うのに苦労した。 このタスクをクラスレベルで扱うことをopen-set recognition(osr)と呼ぶ。 しかし、ほとんどのOSRメソッドは本質的に限定的であり、クローズドセットの分類器を訓練し、下流の予測をOSRに適応させるだけである。 この研究は、未知のデータを利用するオープンセット認識を活用するためのフレームワークであるLORDを提示する。 LORDは、分類器訓練中にオープンスペースを明示的にモデル化し、そのようなアプローチの体系的な評価を提供する。 背景データを活用した3つのモデル非依存なトレーニング戦略を特定し,それらを確立された分類器に適用した。 LORDの広範囲な評価プロトコルにより,未知データの認識精度が向上することを示す。 ベンチマークは様々な要件レベルにわたる詳細な分析を容易にする。 広範かつコストのかかるバックグラウンドデータセットへの依存を軽減するため、私たちは、既製のデータ生成技術としてmixupを探索する。 実験では背景データセットの代替としてmixupの有効性を強調する。 混合合成に対する軽量な制約はOSRの性能をさらに向上させる。

関連論文リスト

• Robust Semi-supervised Learning by Wisely Leveraging Open-set Data [48.67897991121204]
  Open-set Semi-supervised Learning (OSSL)は、ラベル付けされていないデータはラベル付けされていないクラスから来る可能性がある、という現実的な設定を持っている。 Wese Open-set Semi-supervised Learning (WiseOpen) は、モデルのトレーニングにオープンセットデータを選択的に活用する汎用OSSLフレームワークである。
  論文  参考訳（メタデータ） (2024-05-11T10:22:32Z)
• Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection [0.0]
  オープンセット認識(OSR)は、より現実に近い状況に分類タスクを導入することを目的としている。 本研究は,OSRタスクの分類を改善するために,特徴空間の新たな表現を探索するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-05-09T15:15:34Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Prompt-driven efficient Open-set Semi-supervised Learning [52.30303262499391]
  オープンセット半教師付き学習(OSSL)は関心を集めており、未ラベルデータにのみOOD(Out-of-distribution)サンプルが組み込まれているというより実践的なシナリオを調査している。 我々はOpenPromptと呼ばれる,プロンプト駆動の効率的なOSSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T16:25:08Z)
• Towards Accurate Open-Set Recognition via Background-Class Regularization [36.96359929574601]
  オープンセット認識(OSR)では、分類器は、高いクローズドセット分類精度を維持しつつ、未知のクラスサンプルを拒否できるべきである。 以前の研究では、潜在的特徴空間を制限し、オフライン分析によって制限された空間の外にあるデータを拒否しようとした。 標準分類器アーキテクチャにおいてOSRを実行するための単純な推論プロセス(オフライン解析なしで)を提案する。 提案手法は,高い閉集合分類精度を維持しつつ,堅牢なOSR結果を提供することを示す。
  論文  参考訳（メタデータ） (2022-07-21T03:55:36Z)
• Open Set Recognition using Vision Transformer with an Additional Detection Head [6.476341388938684]
  視覚変換器(ViT)技術に基づくオープンセット認識(OSR)の新しい手法を提案する。 まず、閉集合分類を行うためにViTモデルを訓練する。 そして、ViTによって抽出された埋め込み特徴に付加検出ヘッドを取り付け、既知のデータの表現をクラス固有のクラスタにコンパクトに強制するように訓練する。
  論文  参考訳（メタデータ） (2022-03-16T07:34:58Z)
• Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
  分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。 この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。 また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-10-12T17:58:59Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Learning Placeholders for Open-Set Recognition [38.57786747665563]
  既知のクラスに対する分類性能を維持し、未知のクラスを拒絶するPlaceholdeRs for Open-SEt Recognition (Proser)を提案する。 Proserはマニホールドミックスアップによって新しいクラスを効率的に生成し、トレーニング中に予約されたオープンセット分類器の値を適応的に設定します。
  論文  参考訳（メタデータ） (2021-03-28T09:18:15Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)

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。