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) - Unsupervised Recognition of Unknown Objects for Open-World Object
Detection [28.787586991713535]
Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。
現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。
本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-31T08:17:29Z) - 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) - Learning Classifiers of Prototypes and Reciprocal Points for Universal
Domain Adaptation [79.62038105814658]
Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。
主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。
既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
論文 参考訳（メタデータ） (2022-12-16T09:01:57Z) - Towards Generalized Few-Shot Open-Set Object Detection [13.671120689841736]
オープンセットオブジェクト検出(OSOD)は、既知のカテゴリを検出し、動的世界の未知のオブジェクトを拒否することを目的としている。
本稿では,G-FOOD (Generalized few-shot Open-set Object Detection) の解を求める。
この問題に対処する新しいG-FOODアルゴリズム, underlineFew-shunderlineOt underline Open-set underlineDetector (FOOD)を提案する。
論文 参考訳（メタデータ） (2022-10-28T09:02:32Z) - GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。
本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。
GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
論文 参考訳（メタデータ） (2022-07-06T06:26:17Z) - Expanding Low-Density Latent Regions for Open-Set Object Detection [32.29988419525467]
潜在空間における高密度領域と低密度領域を分離することにより未知の物体を同定する。
低密度領域を拡張した新しいOpen-set Detector(OpenDet)を提案する。
論文 参考訳（メタデータ） (2022-03-28T17:11:09Z) - 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) - 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) - Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。
アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。
本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文 参考訳（メタデータ） (2020-06-28T13:49:30Z) - 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。