論文の概要: Exploring Diverse Representations for Open Set Recognition

• arxiv url: http://arxiv.org/abs/2401.06521v1
• Date: Fri, 12 Jan 2024 11:40:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 19:48:20.199342
• Title: Exploring Diverse Representations for Open Set Recognition
• Title（参考訳）: オープン集合認識のための多様な表現の検討
• Authors: Yu Wang, Junxian Mu, Pengfei Zhu, Qinghua Hu
• Abstract要約: オープンセット認識(OSR)では、テスト中に未知のサンプルを拒絶しながら、クローズドセットに属するサンプルを分類する必要がある。 現在、生成モデルはOSRの差別モデルよりもよく機能している。 本稿では,多種多様な表現を識別的に学習するMulti-Expert Diverse Attention Fusion(MEDAF)を提案する。
• 参考スコア（独自算出の注目度）: 51.39557024591446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open set recognition (OSR) requires the model to classify samples that belong to closed sets while rejecting unknown samples during test. Currently, generative models often perform better than discriminative models in OSR, but recent studies show that generative models may be computationally infeasible or unstable on complex tasks. In this paper, we provide insights into OSR and find that learning supplementary representations can theoretically reduce the open space risk. Based on the analysis, we propose a new model, namely Multi-Expert Diverse Attention Fusion (MEDAF), that learns diverse representations in a discriminative way. MEDAF consists of multiple experts that are learned with an attention diversity regularization term to ensure the attention maps are mutually different. The logits learned by each expert are adaptively fused and used to identify the unknowns through the score function. We show that the differences in attention maps can lead to diverse representations so that the fused representations can well handle the open space. Extensive experiments are conducted on standard and OSR large-scale benchmarks. Results show that the proposed discriminative method can outperform existing generative models by up to 9.5% on AUROC and achieve new state-of-the-art performance with little computational cost. Our method can also seamlessly integrate existing classification models. Code is available at https://github.com/Vanixxz/MEDAF.
• Abstract（参考訳）: オープンセット認識(OSR)では、テスト中に未知のサンプルを拒絶しながらクローズドセットに属するサンプルを分類する必要がある。 現在では、生成モデルはosrの識別モデルよりもよく機能するが、近年の研究では、生成モデルは複雑なタスクでは計算不可能または不安定であることが示されている。 本稿では,OSRに関する知見を提供し,学習補助表現が理論的にオープンスペースのリスクを低減できることを示す。 分析に基づいて,多種多様な表現を識別的に学習する多種多様なアテンション融合(medaf)という新しいモデルを提案する。 MEDAFは、アテンションマップが相互に異なることを保証するために、アテンション多様性規則化用語で学習される複数の専門家で構成される。 各専門家が学習したログは適応的に融合され、スコア関数を通じて未知を識別するために使用される。 注意マップの違いが多彩な表現に繋がることを示し、融合された表現がオープン空間をうまく扱えることを示す。 標準およびosrの大規模ベンチマークで広範な実験が行われている。 その結果,提案手法はAUROCにおいて既存の生成モデルを最大9.5%上回り,計算コストの少ない新たな最先端性能を実現することができることがわかった。 また,既存の分類モデルをシームレスに統合することもできる。 コードはhttps://github.com/Vanixxz/MEDAF.comで入手できる。

関連論文リスト

• 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)
• Leveraging Diffusion Disentangled Representations to Mitigate Shortcuts in Underspecified Visual Tasks [92.32670915472099]
  拡散確率モデル(DPM)を用いた合成カウンターファクトの生成を利用したアンサンブルの多様化フレームワークを提案する。 拡散誘導型分散化は,データ収集を必要とする従来の手法に匹敵するアンサンブル多様性を達成し,ショートカットからの注意を回避できることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:37:52Z)
• Diffusion Models Beat GANs on Image Classification [37.70821298392606]
  拡散モデルは、画像生成、復調、塗装、超解像、操作などの最先端の手法として注目されている。 本稿では,これらの埋め込みは識別情報を含むため,ノイズ予測タスクを超えて有用であり,分類にも活用できることを示す。 注意深い特徴選択とプーリングにより、拡散モデルは、分類タスクにおいて同等な生成的識別的手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2023-07-17T17:59:40Z)
• Progressive Open Space Expansion for Open-Set Model Attribution [19.985618498466042]
  我々は,OSMA(Open-Set Model Attribution)という課題に焦点をあて,既知のモデルに画像を同時に属性付けし,未知のモデルからそれらを識別する。 既存のオープンセット認識(OSR)タスクと比較して、OSMAは既知のモデルと未知のモデルとの区別が視覚的に知覚できないトレースに限られているため、より難しい。 本稿では, 閉集合と同一のセマンティクスを維持しつつ, 異なる認識不能なトレースを埋め込んだオープンセットサンプルをシミュレートした, プログレッシブオープンスペース拡張(POSE)ソリューションを提案する。
  論文  参考訳（メタデータ） (2023-03-13T05:53:11Z)
• Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
  オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。 本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-07-05T16:25:34Z)
• Non-Exhaustive Learning Using Gaussian Mixture Generative Adversarial Networks [3.040775019394542]
  我々は、新しいオンライン非排他的学習モデル、すなわち、非排他的ガウス混合生成適応ネットワーク(NE-GM-GAN)を提案する。 提案モデルでは,GANなどの深層生成モデル上での潜在表現を合成し,テストデータ中の新しいクラスのインスタンスをインクリメンタルに検出する。
  論文  参考訳（メタデータ） (2021-06-28T00:20:22Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Conditional Gaussian Distribution Learning for Open Set Recognition [10.90687687505665]
  オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。 未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。 いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
  論文  参考訳（メタデータ） (2020-03-19T14:32:08Z)

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。