論文の概要: DDoS: Diffusion Distribution Similarity for Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2409.10094v1
- Date: Mon, 16 Sep 2024 08:50:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 16:09:48.771530
- Title: DDoS: Diffusion Distribution Similarity for Out-of-Distribution Detection
- Title（参考訳）: DDoS:アウト・オブ・ディストリビューション検出のための拡散分布類似性
- Authors: Kun Fang, Qinghua Tao, Zuopeng Yang, Xiaolin Huang, Jie Yang,
- Abstract要約: アウト・オブ・ディストリビューション(OoD)検出は、与えられたサンプルが分類器アンダープロテクト(In-Distribution)のトレーニング分布、すなわちIn-Distribution(InD)または別のOoDからであるかどうかを決定する。
近年の研究では、OoD画像をInDに近い生成物に転送することで、OoD検出を提唱するために、InDデータ上で事前訓練された拡散モデルを導入している。
既存の拡散型検出器は、この2つの画像に知覚的メトリクスを取り入れ、そのような格差を計測するが、基本的な事実を無視する:知覚的メトリクスは、基本的に人間の知覚的類似性のために考案される。
- 参考スコア（独自算出の注目度）: 28.96695036746856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-Distribution (OoD) detection determines whether the given samples are from the training distribution of the classifier-under-protection, i.e., the In-Distribution (InD), or from a different OoD. Latest researches introduce diffusion models pre-trained on InD data to advocate OoD detection by transferring an OoD image into a generated one that is close to InD, so that one could capture the distribution disparities between original and generated images to detect OoD data. Existing diffusion-based detectors adopt perceptual metrics on the two images to measure such disparities, but ignore a fundamental fact: Perceptual metrics are devised essentially for human-perceived similarities of low-level image patterns, e.g., textures and colors, and are not advisable in evaluating distribution disparities, since images with different low-level patterns could possibly come from the same distribution. To address this issue, we formulate a diffusion-based detection framework that considers the distribution similarity between a tested image and its generated counterpart via a novel proper similarity metric in the informative feature space and probability space learned by the classifier-under-protection. An anomaly-removal strategy is further presented to enlarge such distribution disparities by removing abnormal OoD information in the feature space to facilitate the detection. Extensive empirical results unveil the insufficiency of perceptual metrics and the effectiveness of our distribution similarity framework with new state-of-the-art detection performance.
- Abstract（参考訳）: アウト・オブ・ディストリビューション(OoD)検出は、与えられたサンプルが分類器アンダープロテクト(In-Distribution)のトレーニング分布、すなわちIn-Distribution(InD)、または別のOoDからであるかどうかを決定する。
最近の研究は、OoD画像をInDに近い生成画像に転送することで、OoD検出を提唱するために、InDデータ上に事前トレーニングされた拡散モデルを導入している。
既存の拡散型検出器は、この2つの画像上の知覚的メトリクスを、そのような格差を測定するために採用しているが、基本的な事実を無視する: 知覚的メトリクスは、基本的に、低レベルの画像パターン、例えばテクスチャや色といった、人間によって知覚される類似性のために考案されており、異なる低レベルのパターンを持つ画像は同じ分布から来る可能性があるため、分布の差異を評価するには推奨できない。
この問題に対処するために,テスト画像と生成画像との分布類似性を考慮した拡散検出フレームワークを,情報的特徴空間における新しい固有類似度指標と,分類器アンダープロテクションによって学習された確率空間を用いて定式化する。
さらに、特徴空間における異常なOoD情報を除去し、その検出を容易にすることにより、そのような分布格差を拡大する異常除去戦略を提示する。
広汎な実験結果から,知覚的指標の欠如と分布類似性フレームワークの有効性が明らかにされた。
関連論文リスト
- Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI [1.8420387715849447]
拡散確率モデル(DPM)はコンピュータビジョンタスクにおいて大きな効果を示した。
彼らの顕著なパフォーマンスはラベル付きデータセットに大きく依存しており、医療画像への適用を制限する。
本稿では,異なる特徴を取り入れた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-08T11:26:49Z) - DPMesh: Exploiting Diffusion Prior for Occluded Human Mesh Recovery [71.6345505427213]
DPMeshは、人間のメッシュリカバリを排除した革新的なフレームワークである。
これは、事前訓練されたテキスト・ツー・イメージ拡散モデルに埋め込まれた対象構造と空間的関係について、より深い拡散に乗じる。
論文 参考訳（メタデータ） (2024-04-01T18:59:13Z) - Hypothesis-Driven Deep Learning for Out of Distribution Detection [0.8191518216608217]
本稿では,新しいサンプルがInDなのかOoDなのかを定量化する仮説駆動型手法を提案する。
細菌のサンプルを学習した深層学習モデルに適応させ,InDとOoDの潜伏反応の解釈的差異を明らかにする。
論文 参考訳（メタデータ） (2024-03-21T01:06:47Z) - Adversarial Denoising Diffusion Model for Unsupervised Anomaly Detection [4.936226952764696]
ADDM は Denoising Diffusion Probabilistic Model (DDPM) に基づいているが、敵対的学習によって補完的に訓練されている。
教師なしMRI画像の異常検出にADDMを適用した。
論文 参考訳（メタデータ） (2023-12-07T15:51:19Z) - Projection Regret: Reducing Background Bias for Novelty Detection via
Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。
PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。
拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-12-05T09:44:47Z) - Interpretable Out-Of-Distribution Detection Using Pattern Identification [0.0]
データベースプログラムのアウト・オブ・ディストリビューション(OoD)検出は最重要課題である。
文献における一般的なアプローチは、イン・オブ・ディストリビューション(in-distriion、IoD)とOoDバリデーション・サンプルを必要とする検出器を訓練する傾向がある。
我々は、より解釈可能で堅牢なOoD検出器を構築するために、説明可能なAI、すなわちPartialulパターン識別アルゴリズムから既存の研究を活用することを提案する。
論文 参考訳（メタデータ） (2023-01-24T15:35:54Z) - Uncertain Facial Expression Recognition via Multi-task Assisted
Correction [43.02119884581332]
MTACと呼ばれる不確実な表情認識に対処するためのマルチタスク支援補正法を提案する。
具体的には、信頼度推定ブロックと重み付け正則化モジュールを用いて、固体試料をハイライトし、バッチ毎に不確かさサンプルを抑圧する。
RAF-DB、AffectNet、AffWild2データセットの実験は、MTACが合成および実際の不確実性に直面した際のベースラインよりも大幅に改善されていることを示した。
論文 参考訳（メタデータ） (2022-12-14T10:28:08Z) - Diffusion Denoising Process for Perceptron Bias in Out-of-distribution
Detection [67.49587673594276]
我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。
DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。
CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-11-21T08:45:08Z) - Raising the Bar on the Evaluation of Out-of-Distribution Detection [88.70479625837152]
我々は、知覚/視覚的・意味的類似性の概念をiDデータと微妙に異なる概念を用いて、OoDデータの2つのカテゴリを定義した。
iD データセットが与えられた2つのカテゴリそれぞれから OoD サンプルを生成するための GAN ベースのフレームワークを提案する。
従来のベンチマークで非常によく機能する最先端のOoD検出手法は,提案したベンチマークよりもはるかに堅牢であることを示す。
論文 参考訳（メタデータ） (2022-09-24T08:48:36Z) - Exploring Robustness of Unsupervised Domain Adaptation in Semantic
Segmentation [74.05906222376608]
クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。
i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
論文 参考訳（メタデータ） (2021-05-23T01:50:44Z)
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。