論文の概要: Model Evaluation for Domain Identification of Unknown Classes in Open-World Recognition: A Proposal

• arxiv url: http://arxiv.org/abs/2312.05454v1
• Date: Sat, 9 Dec 2023 03:54:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 20:47:25.152326
• Title: Model Evaluation for Domain Identification of Unknown Classes in Open-World Recognition: A Proposal
• Title（参考訳）: オープンワールド認識における未知クラスのドメイン識別のためのモデル評価:提案
• Authors: Gusti Ahmad Fanshuri Alfarisy, Owais Ahmed Malik, Ong Wee Hong
• Abstract要約: オープンワールド認識(OWR)は、未知を拒絶する機械学習モデルに能力を与える新興分野である。 本研究では,未知のドメイン内(ID)と未知のドメイン外(OOD)を分離するモデルの性能を評価するための評価プロトコルを提案する。 私たちは、ゴミ、食べ物、犬、植物、鳥の5つの異なる領域を実験しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-World Recognition (OWR) is an emerging field that makes a machine learning model competent in rejecting the unknowns, managing them, and incrementally adding novel samples to the base knowledge. However, this broad objective is not practical for an agent that works on a specific task. Not all rejected samples will be used for learning continually in the future. Some novel images in the open environment may not belong to the domain of interest. Hence, identifying the unknown in the domain of interest is essential for a machine learning model to learn merely the important samples. In this study, we propose an evaluation protocol for estimating a model's capability in separating unknown in-domain (ID) and unknown out-of-domain (OOD). We evaluated using three approaches with an unknown domain and demonstrated the possibility of identifying the domain of interest using the pre-trained parameters through traditional transfer learning, Automated Machine Learning (AutoML), and Nearest Class Mean (NCM) classifier with First Integer Neighbor Clustering Hierarchy (FINCH). We experimented with five different domains: garbage, food, dogs, plants, and birds. The results show that all approaches can be used as an initial baseline yielding a good accuracy. In addition, a Balanced Accuracy (BACCU) score from a pre-trained model indicates a tendency to excel in one or more domains of interest. We observed that MobileNetV3 yielded the highest BACCU score for the garbage domain and surpassed complex models such as the transformer network. Meanwhile, our results also suggest that a strong representation in the pre-trained model is important for identifying unknown classes in the same domain. This study could open the bridge toward open-world recognition in domain-specific tasks where the relevancy of the unknown classes is vital.
• Abstract（参考訳）: Open-World Recognition(OWR)は、未知を拒絶し、それらを管理し、基礎知識に新しいサンプルを漸進的に追加する機械学習モデルに有能な新興分野である。 しかし、この幅広い目的は特定のタスクに取り組むエージェントにとって実用的ではない。 将来的にはすべてのサンプルが継続的な学習に使用されるわけではない。 オープン環境におけるいくつかの新しいイメージは、関心領域に属さないかもしれない。 したがって、関心領域における未知の同定は、機械学習モデルが単に重要なサンプルを学ぶために不可欠である。 本研究では,未知のドメイン(ID)と未知のドメイン(OOD)を分離するモデルの性能を評価するための評価プロトコルを提案する。 未知ドメインを持つ3つのアプローチを用いて評価を行い,従来の転送学習,自動機械学習(automl),最寄りクラス平均(ncm)分類器による第1整数隣接クラスタリング階層(finch)による事前学習パラメータを用いた興味領域同定の可能性を示した。 私たちは、ゴミ、食べ物、犬、植物、鳥の5つの異なるドメインを実験しました。 その結果,全てのアプローチを初期ベースラインとして用いることができ,精度がよいことがわかった。 さらに、事前訓練されたモデルから得られたバランスド精度(BACCU)スコアは、1つ以上の関心領域で優れている傾向を示す。 その結果,mobilenetv3はガベージドメインにおいて最も高いbaccuスコアを示し,トランスフォーマーネットワークのような複雑なモデルを超えた。 一方,本研究では,事前学習モデルの強い表現が同一ドメイン内の未知のクラスを特定する上で重要であることを示唆する。 この研究は、未知のクラスの関連性が不可欠であるドメイン固有のタスクにおいて、オープンワールド認識への橋渡しとなるかもしれない。

関連論文リスト

• Self-Guided Masked Autoencoders for Domain-Agnostic Self-Supervised Learning [58.93724285214628]
  本稿では、完全にドメインに依存しないマスク付きモデリング手法である自己誘導マスク付きオートエンコーダ(SMA)を提案する。 SMAは、マスクを学習し、ドメイン固有の仮定なしでサンプリングすることで、マスクモデリングの目的を用いて注意に基づくモデルを訓練する。 本研究では,タンパク質生物学,化学特性予測,粒子物理の3つの自己教師型学習ベンチマークでSMAを評価した。
  論文  参考訳（メタデータ） (2024-02-22T18:46:22Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく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） (2023-03-10T14:11:09Z)
• Improving Domain Generalization with Domain Relations [77.63345406973097]
  本稿では、モデルがトレーニングされたドメインと異なる新しいドメインに適用されたときに発生するドメインシフトに焦点を当てる。 ドメイン固有モデルを学習するためのD$3$Gという新しい手法を提案する。 以上の結果から,D$3$Gは最先端の手法より一貫して優れていた。
  論文  参考訳（メタデータ） (2023-02-06T08:11:16Z)
• Few-Shot Classification in Unseen Domains by Episodic Meta-Learning Across Visual Domains [36.98387822136687]
  興味のあるカテゴリのラベル付き例がほとんどないため、いくつかのショット分類は、分類を実行することを目的としている。 本稿では,ドメイン一般化型少ショット分類のための一意学習フレームワークを提案する。 メタ学習戦略を進めることで、学習フレームワークは複数のソースドメインにまたがるデータを利用して、ドメイン不変の機能をキャプチャします。
  論文  参考訳（メタデータ） (2021-12-27T06:54:11Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)

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。