論文の概要: Data-Driven Hierarchical Open Set Recognition

• arxiv url: http://arxiv.org/abs/2411.02635v1
• Date: Mon, 04 Nov 2024 21:54:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 15:00:51.959030
• Title: Data-Driven Hierarchical Open Set Recognition
• Title（参考訳）: データ駆動階層的オープンセット認識
• Authors: Andrew Hannum, Max Conway, Mario Lopez, André Harrison,
• Abstract要約: 本稿では、ロボット工学とコンピュータビジョンの堅牢な認識のために、オープンセット認識(OSR)に対するデータ駆動階層的アプローチを提案する。 この方法は、AUC ROCスコア0.82、ユーティリティスコア0.85で、AwA2データセットで実証された。 このアプローチは、自動的に生成された階層を通して未知のクラスに関する貴重な追加情報を提供し、典型的な教師付きモデル要件以上の補足的な情報を必要としないとともに、未知のクラス配置一貫性を評価するためのクラス集中集中度(CCC)メトリクスを導入している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents a novel data-driven hierarchical approach to open set recognition (OSR) for robust perception in robotics and computer vision, utilizing constrained agglomerative clustering to automatically build a hierarchy of known classes in embedding space without requiring manual relational information. The method, demonstrated on the Animals with Attributes 2 (AwA2) dataset, achieves competitive results with an AUC ROC score of 0.82 and utility score of 0.85, while introducing two classification approaches (score-based and traversal-based) and a new Concentration Centrality (CC) metric for measuring hierarchical classification consistency. Although not surpassing existing models in accuracy, the approach provides valuable additional information about unknown classes through automatically generated hierarchies, requires no supplementary information beyond typical supervised model requirements, and introduces the Class Concentration Centrality (CCC) metric for evaluating unknown class placement consistency, with future work aimed at improving accuracy, validating the CC metric, and expanding to Large-Scale Open-Set Classification Protocols for ImageNet.
• Abstract（参考訳）: 本稿では,ロボット工学とコンピュータビジョンにおける堅牢な認識のためのオープンセット認識(OSR)のための,データ駆動型階層的手法を提案する。 The Animals with Attributes 2 (AwA2) データセットで実証されたこの手法は、AUC ROCスコアが0.82、ユーティリティスコアが0.85、そして2つの分類アプローチ(スコアベースとトラバースベース)と、階層的な分類一貫性を測定するための新しい集中度(CC)メトリクスを導入し、競争結果を得る。 既存のモデルを精度で上回るものではないが、このアプローチは、自動生成された階層を通して未知のクラスに関する貴重な情報を提供し、典型的な教師付きモデル要件を超えて補足的な情報を必要としない。また、未知のクラス配置一貫性を評価するためのクラス集中集中度(CCC)メトリクスを導入し、今後の作業は、精度の向上、CCメトリックの検証、ImageNetの大規模オープンセット分類プロトコルへの拡張を目的としている。

関連論文リスト

• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• CiPR: An Efficient Framework with Cross-instance Positive Relations for Generalized Category Discovery [21.380021266251426]
  一般化圏発見(GCD)は、部分的にラベル付けされたデータセットを自動的にクラスタリングするオープンワールドの問題を考える。 本稿では,非競合データに対する未知のカテゴリ数を用いて,GCD問題に対処する。 我々はCiPRというフレームワークを提案し、クロスインスタンスポジティヴリレーションを利用して表現をブートストラップする。
  論文  参考訳（メタデータ） (2023-04-14T05:25:52Z)
• 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)
• Hierarchical Modeling for Out-of-Scope Domain and Intent Classification [55.23920796595698]
  本稿では,対話システムにおけるスコープ外意図分類に焦点をあてる。 ドメインとインテントを同時に分類する共同モデルに基づく階層型マルチタスク学習手法を提案する。 実験により、モデルが既存の手法よりも精度、スコープ外リコール、F1で優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-30T06:38:23Z)
• Federated Traffic Synthesizing and Classification Using Generative Adversarial Networks [30.686118264562598]
  本稿では,FGAN-AC(Federated Generative Adversarial Networks and Automatic Classification)という新しいフレームワークを紹介する。 FGAN-ACは、大量の手動ラベル付きデータセットを必要とせず、データ漏洩を引き起こすことなく、分散型ローカルデータセットから複数のタイプのサービスデータトラフィックを合成および分類することができます。
  論文  参考訳（メタデータ） (2021-04-21T08:10:46Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• Global Multiclass Classification and Dataset Construction via Heterogeneous Local Experts [37.27708297562079]
  得られたデータセットの信頼性を確保しながら、ラベルの数を最小化する方法を示す。 MNISTとCIFAR-10データセットを用いた実験では、アグリゲーション方式の良好な精度が示されている。
  論文  参考訳（メタデータ） (2020-05-21T18:07:42Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。