論文の概要: A Survey on Open-Set Image Recognition
- arxiv url: http://arxiv.org/abs/2312.15571v1
- Date: Mon, 25 Dec 2023 00:30:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 17:43:06.121294
- Title: A Survey on Open-Set Image Recognition
- Title(参考訳): オープンセット画像認識に関する調査
- Authors: Jiayin Sun and Qiulei Dong
- Abstract要約: オープンセット画像認識(OSR)は、既知のクラスサンプルの分類と、テストセット内の未知クラスサンプルの識別の両方を目的としている。
我々は,既存のDNNベースのOSR手法を包括的にレビューする新しい分類法を提案する。
我々は、粗粒度データセットと細粒度データセットの両方において、典型的なOSR法と最先端OSR法のパフォーマンスを比較した。
- 参考スコア(独自算出の注目度): 18.474539379698538
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-set image recognition (OSR) aims to both classify known-class samples
and identify unknown-class samples in the testing set, which supports robust
classifiers in many realistic applications, such as autonomous driving, medical
diagnosis, security monitoring, etc. In recent years, open-set recognition
methods have achieved more and more attention, since it is usually difficult to
obtain holistic information about the open world for model training. In this
paper, we aim to summarize the up-to-date development of recent OSR methods,
considering their rapid development in recent two or three years. Specifically,
we firstly introduce a new taxonomy, under which we comprehensively review the
existing DNN-based OSR methods. Then, we compare the performances of some
typical and state-of-the-art OSR methods on both coarse-grained datasets and
fine-grained datasets under both standard-dataset setting and cross-dataset
setting, and further give the analysis of the comparison. Finally, we discuss
some open issues and possible future directions in this community.
- Abstract(参考訳): Open-set Image Recognition(OSR)は、既知のクラスサンプルの分類と、テストセット内の未知クラスサンプルの識別の両方を目的としている。
近年、オープンセット認識手法は、モデルトレーニングのためのオープンワールドに関する全体的情報を得ることが困難であるため、ますます注目を集めている。
本稿では,最近のOSR手法の最近の発展を概説し,近年の2~3年間での急速な発展を考える。
具体的には,まず,既存のdnnベースのosr手法を包括的に検討する新しい分類法を提案する。
次に,標準データセット設定とクロスデータセット設定の両方において,粗粒度データセットと細粒度データセットの両方において,典型的なosr法と最先端のosr法の性能を比較する。
最後に,このコミュニティにおけるオープンイシューと今後の方向性について論じる。
関連論文リスト
- Dissecting Out-of-Distribution Detection and Open-Set Recognition: A Critical Analysis of Methods and Benchmarks [17.520137576423593]
我々は,コミュニティ内の2つの大きなサブフィールドの総合的なビュー – アウト・オブ・ディストリビューション(OOD)検出とオープンセット認識(OSR) – を提供することを目指している。
我々は,OOD検出における最先端手法とOSR設定との厳密な相互評価を行い,それらの手法の性能の強い相関関係を同定する。
我々は,OOD検出とOSRによって取り組まれている問題を解消する,より大規模なベンチマーク設定を提案する。
論文 参考訳(メタデータ) (2024-08-29T17:55:07Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳(メタデータ) (2024-06-05T13:40:07Z) - Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。
本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文 参考訳(メタデータ) (2024-01-29T18:27:52Z) - LORD: Leveraging Open-Set Recognition with Unknown Data [10.200937444995944]
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。
論文 参考訳(メタデータ) (2023-08-24T06:12:41Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳(メタデータ) (2022-07-17T07:05:39Z) - 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) - A Survey on Open Set Recognition [0.0]
オープンセット認識(OSR)とは、トレーニング中にモデルから学ばなかった未知の状況を扱うことである。
本稿では、OSRに関する既存の研究について調査を行い、それぞれの利点と欠点を区別する。
実世界の未知のインスタンスをOSRが適切に扱えることは、トレーニングデータ中の全てのクラスをキャプチャすることは現実的ではない、と結論付けている。
論文 参考訳(メタデータ) (2021-08-18T16:40:03Z) - Open-World Semi-Supervised Learning [66.90703597468377]
本稿では,従来のクラスを認識するためにモデルを必要とする,新しいオープンワールド半教師付き学習環境を提案する。
データの分類とクラスタ化を同時に行うアプローチであるORCAを提案する。
我々は,ORCAが新しいクラスを正確に発見し,ベンチマーク画像分類データセット上で以前に見られたクラスにサンプルを割り当てることを示した。
論文 参考訳(メタデータ) (2021-02-06T07:11:07Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳(メタデータ) (2020-12-29T23:43:16Z)
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。