論文の概要: Unveiling the Unknown: Conditional Evidence Decoupling for Unknown Rejection
- arxiv url: http://arxiv.org/abs/2406.18443v1
- Date: Wed, 26 Jun 2024 15:48:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-27 13:00:05.266387
- Title: Unveiling the Unknown: Conditional Evidence Decoupling for Unknown Rejection
- Title（参考訳）: 未知の解答:未知の棄却のための条件付き証拠分離
- Authors: Zhaowei Wu, Binyi Su, Hua Zhang, Zhong Zhou,
- Abstract要約: 不足したトレーニングサンプルの条件下でのオープンセットオブジェクト検出器のトレーニングに重点を置いている。
この挑戦的なシナリオでは、未知の判断境界は学習が困難であり、しばしば曖昧である。
我々は,未知の拒絶に対して条件付き証拠を分離する,新しいオープンセットオブジェクト検出フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 8.78242987271299
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we focus on training an open-set object detector under the condition of scarce training samples, which should distinguish the known and unknown categories. Under this challenging scenario, the decision boundaries of unknowns are difficult to learn and often ambiguous. To mitigate this issue, we develop a novel open-set object detection framework, which delves into conditional evidence decoupling for the unknown rejection. Specifically, we select pseudo-unknown samples by leveraging the discrepancy in attribution gradients between known and unknown classes, alleviating the inadequate unknown distribution coverage of training data. Subsequently, we propose a Conditional Evidence Decoupling Loss (CEDL) based on Evidential Deep Learning (EDL) theory, which decouples known and unknown properties in pseudo-unknown samples to learn distinct knowledge, enhancing separability between knowns and unknowns. Additionally, we propose an Abnormality Calibration Loss (ACL), which serves as a regularization term to adjust the output probability distribution, establishing robust decision boundaries for the unknown rejection. Our method has achieved the superiority performance over previous state-of-the-art approaches, improving the mean recall of unknown class by 7.24% across all shots in VOC10-5-5 dataset settings and 1.38% in VOC-COCO dataset settings. The code is available via https://github.com/zjzwzw/CED-FOOD.
- Abstract（参考訳）: 本稿では,未知のカテゴリと未知のカテゴリを識別する,希少なトレーニングサンプルの条件下でのオープンセットオブジェクト検出器のトレーニングに焦点をあてる。
この挑戦的なシナリオでは、未知の判断境界は学習が困難であり、しばしば曖昧である。
この問題を緩和するために,未知の拒絶の条件付き証拠を分離する新しいオープンセットオブジェクト検出フレームワークを開発する。
具体的には、未知のクラスと未知のクラス間の属性勾配の差を利用して擬似未知のサンプルを選択し、トレーニングデータの不適切な分布範囲を緩和する。
次に、疑似未知のサンプル中の未知のプロパティを分離し、異なる知識を学習し、未知と未知との分離性を向上する、証拠深層学習(EDL)理論に基づく条件付きエビデンス疎結合損失(CEDL)を提案する。
さらに、出力確率分布を調整するための正規化用語として機能する異常度校正損失(ACL)を提案し、未知の拒絶に対する堅牢な決定境界を確立する。
提案手法は従来の最先端手法よりも優れた性能を達成し,VOC10-5データセット設定では全ショット中7.24%,VOC-COCOデータセット設定では1.38%,未知クラスのリコール率を平均7.24%向上させた。
コードはhttps://github.com/zjzwzw/CED-FOOD.comから入手できる。
関連論文リスト
- Dirichlet-Based Coarse-to-Fine Example Selection For Open-Set Annotation [37.33424244520009]
本稿では,ディリクレに基づく大まかな実例選択(DCFS)戦略を提案する。
本手法では, 翻訳の不変性を損なうために, 単純なx-based obviousial Deep Learning (EDL)を導入している。
様々なオープンネス比データセットの実験は、DCFSが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-09-26T07:47:50Z) - Entropic Open-set Active Learning [30.91182106918793]
アクティブラーニング(AL)は、ラベルなしデータのプールから最も有用なアノテーションサンプルを選択することで、ディープモデルの性能を向上させることを目的としている。
クローズドセット設定での優れたパフォーマンスにもかかわらず、ほとんどのALメソッドは、ラベルなしデータが未知のカテゴリを含む実世界のシナリオで失敗する。
本稿では,未知分布と未知分布の両方を効果的に活用して,ALラウンド中の情報的サンプルを選択するエントロピー的オープンセットALフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-21T18:47:12Z) - Open Set Relation Extraction via Unknown-Aware Training [72.10462476890784]
負のインスタンスを動的に合成することでモデルを正規化する未知の学習手法を提案する。
テキストの敵対的攻撃に触発されて、我々は適応的に、小さいが重要な摂動を元のトレーニングインスタンスに適用する。
実験結果から, 既知の関係の分類を損なうことなく, 未知の関係検出を行うことができた。
論文 参考訳（メタデータ） (2023-06-08T05:45:25Z) - Unknown Sniffer for Object Detection: Don't Turn a Blind Eye to Unknown
Objects [21.426594215463105]
未知のオブジェクトと未知のオブジェクトの両方を見つけるために、未知のスニファー(UnSniffer)を提案する。
GOCスコアは、既知のサンプルのみを使用して監視し、背景にある未知の不正な抑制を回避する。
未知の物体検出ベンチマーク(Unknown Object Detection Benchmark)は,未知の物体検出の精度評価を含む最初の公開ベンチマークである。
論文 参考訳（メタデータ） (2023-03-24T02:59:44Z) - Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。
本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。
Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
論文 参考訳（メタデータ） (2023-03-21T09:07:15Z) - What is Flagged in Uncertainty Quantification? Latent Density Models for
Uncertainty Categorization [68.15353480798244]
不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。
近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。
分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
論文 参考訳（メタデータ） (2022-07-11T19:47:00Z) - Synthetic Unknown Class Learning for Learning Unknowns [0.0]
本稿では,新しい未知のクラス学習法を提案する。
生成したサンプル間の多様性を維持しながら未知のようなサンプルを生成し、これらのサンプルを学習する。
いくつかのベンチマークデータセットの実験により、提案手法は他の最先端手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2021-11-15T19:46:41Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-03-29T09:27:23Z) - 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。