論文の概要: On the Powerfulness of Textual Outlier Exposure for Visual OoD Detection
- arxiv url: http://arxiv.org/abs/2310.16492v1
- Date: Wed, 25 Oct 2023 09:19:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 15:33:21.596243
- Title: On the Powerfulness of Textual Outlier Exposure for Visual OoD Detection
- Title(参考訳): 視覚ood検出のためのテキストアウトリーア露光の強力性について
- Authors: Sangha Park, Jisoo Mok, Dahuin Jung, Saehyung Lee, Sungroh Yoon
- Abstract要約: 外周露光は、トレーニング中のOoDデータの低信頼予測を促進する追加の損失をもたらす。
本稿では、画像領域における実または仮想のオフレイラをテキスト等価物に置き換えることによるテキストアウトレイラの利用の利点について検討する。
本実験は, 大規模OoDベンチマークおよびハードOoDベンチマークにおいて, テキストアウトレーヤの生成により, 競合性能が向上することを示した。
- 参考スコア(独自算出の注目度): 41.277221429527515
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Successful detection of Out-of-Distribution (OoD) data is becoming
increasingly important to ensure safe deployment of neural networks. One of the
main challenges in OoD detection is that neural networks output overconfident
predictions on OoD data, make it difficult to determine OoD-ness of data solely
based on their predictions. Outlier exposure addresses this issue by
introducing an additional loss that encourages low-confidence predictions on
OoD data during training. While outlier exposure has shown promising potential
in improving OoD detection performance, all previous studies on outlier
exposure have been limited to utilizing visual outliers. Drawing inspiration
from the recent advancements in vision-language pre-training, this paper
venture out to the uncharted territory of textual outlier exposure. First, we
uncover the benefits of using textual outliers by replacing real or virtual
outliers in the image-domain with textual equivalents. Then, we propose various
ways of generating preferable textual outliers. Our extensive experiments
demonstrate that generated textual outliers achieve competitive performance on
large-scale OoD and hard OoD benchmarks. Furthermore, we conduct empirical
analyses of textual outliers to provide primary criteria for designing
advantageous textual outliers: near-distribution, descriptiveness, and
inclusion of visual semantics.
- Abstract(参考訳): ニューラルネットワークの安全なデプロイを保証するために、OoD(Out-of-Distribution)データの検出が成功している。
OoD検出の主な課題の1つは、ニューラルネットワークがOoDデータに対して過信予測を出力していることだ。
Outlierの露出は、トレーニング中のOoDデータに対する低信頼度予測を促進する追加の損失を導入することでこの問題に対処する。
outlier exposureはood検出性能の向上に有望な可能性があるが、以前のoutlier exposureに関するすべての研究は、visual outliersを活用することに限定されている。
視覚言語事前学習の最近の進歩からインスピレーションを得て,本論文は文体外周露出の未開領域に展開する。
まず、画像領域内の実または仮想のオフレイアをテキスト等価物に置き換えることで、テキストアウトレイラを使用する利点を明らかにする。
次に,好適な文的外れ値を生成する様々な方法を提案する。
大規模なOoDベンチマークとハードOoDベンチマークにおいて,テキストアウトレーヤの生成が競合性能を達成することを示す。
さらに,テキスト・アウトリーの実証分析を行い,テキスト・アウトリーを設計するための主要な基準である,近分布,記述性,視覚的意味論の含意について述べる。
関連論文リスト
- Combining inherent knowledge of vision-language models with unsupervised
domain adaptation through self-knowledge distillation [49.65728535989119]
教師なしドメイン適応(UDA)は、ラベル付きソースデータセットを活用することで、データのラベル付けの面倒な作業を克服しようとする。
現在の視覚言語モデルは驚くべきゼロショット予測能力を示している。
UDAを通じて得られた知識と、視覚言語モデルの本質的な知識を組み合わせる。
論文 参考訳(メタデータ) (2023-12-07T06:16:39Z) - Towards Robust and Accurate Visual Prompting [11.918195429308035]
本研究では,ロバストモデルから派生した視覚的プロンプトが,一般化性能の低下に悩まされながら,ロバスト性を継承できるかどうかを検討する。
本稿では,PBL(Prompt Boundary Loose)と呼ばれる新しい手法を提案する。
本研究は普遍的であり,提案手法の意義を実証するものである。
論文 参考訳(メタデータ) (2023-11-18T07:00:56Z) - Diversified Outlier Exposure for Out-of-Distribution Detection via
Informative Extrapolation [110.34982764201689]
Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。
近年, 外部曝露によるOOD検出に有意な結果が得られた。
本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
論文 参考訳(メタデータ) (2023-10-21T07:16:09Z) - A Closer Look at Debiased Temporal Sentence Grounding in Videos:
Dataset, Metric, and Approach [53.727460222955266]
テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。
最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。
偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
論文 参考訳(メタデータ) (2022-03-10T08:58:18Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - VOS: Learning What You Don't Know by Virtual Outlier Synthesis [23.67449949146439]
最近、ニューラルネットワークの安全なデプロイの重要性から、アウト・オブ・ディストリビューション(OOD)検出が注目されている。
従来のアプローチでは、モデル正則化に実際の外れ値データセットを頼っていた。
仮想外れ値の適応合成によるOOD検出のための新しいフレームワークであるVOSを提案する。
論文 参考訳(メタデータ) (2022-02-02T18:43:01Z) - Exploring Robustness of Unsupervised Domain Adaptation in Semantic
Segmentation [74.05906222376608]
クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。
i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
論文 参考訳(メタデータ) (2021-05-23T01:50:44Z) - Dense open-set recognition with synthetic outliers generated by Real NVP [1.278093617645299]
我々は,共同学習型合成外乱器を用いた識別訓練に基づく外乱検出手法を検討する。
本手法は, 同時セマンティックセグメンテーションと高密度外乱検出に適応可能であることを示す。
フォワードパスが1つしかない予測を生成するにもかかわらず、我々のモデルは、最先端技術に関して競争的に機能する。
論文 参考訳(メタデータ) (2020-11-22T19:40:26Z) - Deep Transparent Prediction through Latent Representation Analysis [0.0]
本稿では,訓練されたディープニューラルネットワーク(DNN)から潜時情報を抽出し,予測目的のために効果的で統一された方法で解析された簡潔な表現を導出する,新しいディープラーニング手法を提案する。
透明性と高い予測精度を組み合わせることが、提案手法の目標である。
論文 参考訳(メタデータ) (2020-09-13T19:21:40Z)
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。