Fugu-MT 論文翻訳(概要): Open-set Anomaly Segmentation in Complex Scenarios

論文の概要: Open-set Anomaly Segmentation in Complex Scenarios

arxiv url: http://arxiv.org/abs/2504.19706v1
Date: Mon, 28 Apr 2025 12:00:10 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.415652
Title: Open-set Anomaly Segmentation in Complex Scenarios
Title（参考訳）: 複合シナリオにおけるオープンセット異常セグメンテーション
Authors: Song Xia, Yi Yu, Henghui Ding, Wenhan Yang, Shifei Liu, Alex C. Kot, Xudong Jiang,
Abstract要約: 本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
参考スコア（独自算出の注目度）: 88.11076112792992
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Precise segmentation of out-of-distribution (OoD) objects, herein referred to as anomalies, is crucial for the reliable deployment of semantic segmentation models in open-set, safety-critical applications, such as autonomous driving. Current anomalous segmentation benchmarks predominantly focus on favorable weather conditions, resulting in untrustworthy evaluations that overlook the risks posed by diverse meteorological conditions in open-set environments, such as low illumination, dense fog, and heavy rain. To bridge this gap, this paper introduces the ComsAmy, a challenging benchmark specifically designed for open-set anomaly segmentation in complex scenarios. ComsAmy encompasses a wide spectrum of adverse weather conditions, dynamic driving environments, and diverse anomaly types to comprehensively evaluate the model performance in realistic open-world scenarios. Our extensive evaluation of several state-of-the-art anomalous segmentation models reveals that existing methods demonstrate significant deficiencies in such challenging scenarios, highlighting their serious safety risks for real-world deployment. To solve that, we propose a novel energy-entropy learning (EEL) strategy that integrates the complementary information from energy and entropy to bolster the robustness of anomaly segmentation under complex open-world environments. Additionally, a diffusion-based anomalous training data synthesizer is proposed to generate diverse and high-quality anomalous images to enhance the existing copy-paste training data synthesizer. Extensive experimental results on both public and ComsAmy benchmarks demonstrate that our proposed diffusion-based synthesizer with energy and entropy learning (DiffEEL) serves as an effective and generalizable plug-and-play method to enhance existing models, yielding an average improvement of around 4.96% in $\rm{AUPRC}$ and 9.87% in $\rm{FPR}_{95}$.
Abstract（参考訳）: アウト・オブ・ディストリビューション(OoD)オブジェクトの精密セグメンテーションは、自律運転のようなオープンな安全クリティカルなアプリケーションにおいて、セグメンテーションモデルの信頼性の高い展開に不可欠である。現在の異常セグメンテーションベンチマークは、主に良好な気象条件に焦点を当てており、低照度、濃霧、大雨など、様々な気象条件によって引き起こされるリスクを無視する不確実な評価がなされている。このギャップを埋めるために、複雑なシナリオにおけるオープンセットの異常セグメンテーションのために特別に設計された、挑戦的なベンチマークであるComsAmyを紹介する。 ComsAmyは、現実的なオープンワールドシナリオにおけるモデルパフォーマンスを包括的に評価するために、幅広い悪天候条件、動的な運転環境、様々な異常タイプを包含している。いくつかの最先端の異常セグメンテーションモデルに対する広範囲な評価により、既存の手法はこのような困難なシナリオにおいて重大な欠陥を示し、実際の展開における深刻な安全性リスクを浮き彫りにしていることが明らかとなった。そこで我々は,複雑なオープンワールド環境下での異常セグメンテーションの堅牢性を高めるために,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。さらに,拡散型異常学習データ合成器を提案し,多彩で高品質な異常画像を生成し,既存のコピー・ペースト・トレーニングデータ合成装置を強化する。一般およびComsAmyベンチマークの総合的な実験結果から,我々の提案した拡散に基づくエネルギー・エントロピー学習(DiffEEL)は,既存のモデルを改善するための効果的で一般化可能なプラグアンドプレイ法として機能し,$\rm{AUPRC}$の4.96%,$\rm{FPR}_{95}$の9.87%の平均的な改善が得られた。

関連論文リスト

Inverse Reinforcement Learning for Minimum-Exposure Paths in Spatiotemporally Varying Scalar Fields [49.1574468325115]
このようなパスのトレーニングデータセットに類似した最小露出パスのデータセットを合成する問題を考える。本論文の主な貢献は、この問題を解決するための逆強化学習(IRL)モデルである。提案したIRLモデルは,トレーニングデータセットにない初期条件から経路を合成する際の優れた性能を提供する。
論文参考訳（メタデータ） (2025-03-09T13:30:11Z)
Generalized Diffusion Model with Adjusted Offset Noise [1.7767466724342067]
本稿では,厳密な確率的枠組みの中で自然に付加的な雑音を取り入れた一般化拡散モデルを提案する。我々は、ある調整でノイズを相殺する理論的等価性を確立し、証拠の低い境界に基づいて損失関数を導出する。合成データセットの実験により、我々のモデルは輝度に関する課題に効果的に対処し、高次元シナリオにおいて従来の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） (2024-12-04T08:57:03Z)
Soft Segmented Randomization: Enhancing Domain Generalization in SAR-ATR for Synthetic-to-Measured [4.089756319249042]
ドメインの差を小さくし、自動目標認識モデルを一般化する能力を向上させるために設計された,新しいフレームワークであるソフトセグメントランダム化を導入する。実験により,提案したソフトセグメントランダム化フレームワークは,測定された合成開口レーダデータに対するモデル性能を著しく向上することが示された。
論文参考訳（メタデータ） (2024-09-21T08:24:51Z)
FedAD-Bench: A Unified Benchmark for Federated Unsupervised Anomaly Detection in Tabular Data [11.42231457116486]
FedAD-Benchは、フェデレート学習の文脈における教師なし異常検出アルゴリズムを評価するためのベンチマークである。モデル集約の非効率性やメトリクスの不確実性といった重要な課題を特定します。本研究は,フェデレートされた異常検出における今後の研究・開発を導くための標準化されたベンチマークを確立することを目的としている。
論文参考訳（メタデータ） (2024-08-08T13:14:19Z)
The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文参考訳（メタデータ） (2024-01-25T09:18:51Z)
Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文参考訳（メタデータ） (2023-12-10T15:22:30Z)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文参考訳（メタデータ） (2023-11-27T13:14:06Z)
Every Parameter Matters: Ensuring the Convergence of Federated Learning with Dynamic Heterogeneous Models Reduction [22.567754688492414]
クロスデバイス・フェデレーション・ラーニング(FL)は、ユニークなコントリビューションを行う可能性のあるローエンドのクライアントが、リソースのボトルネックのため、大規模なモデルのトレーニングから除外されるという、大きな課題に直面します。近年,グローバルモデルから縮小サイズのモデルを抽出し,それに応じてローカルクライアントに適用することによって,モデル不均一FLに焦点を当てている。本稿では,オンラインモデル抽出を用いた不均一FLアルゴリズムの一元化フレームワークを提案し,一般収束解析を初めて提供する。
論文参考訳（メタデータ） (2023-10-12T19:07:58Z)
A VAE Approach to Sample Multivariate Extremes [6.548734807475054]
本稿では,重み付き分布をサンプリングするための変分オートエンコーダ(VAE)アプローチについて述べる。本研究は,ドナウ川流域における人工的データセットと実測値との関係について述べる。テストデータセットの標準VAEよりも優れているだけでなく、競合するEVTベースの生成手法との比較も提供する。
論文参考訳（メタデータ） (2023-06-19T14:53:40Z)
When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文参考訳（メタデータ） (2023-02-15T04:14:20Z)
Distance-based Hyperspherical Classification for Multi-source Open-Set Domain Adaptation [34.97934677830779]
クローズドワールドのシナリオで訓練されたビジョンシステムは、新しい環境条件が提示されると必然的に失敗する。オープンワールド学習への道のりは、長年にわたる研究課題である。本研究ではHyMOSを導入することで,マルチソースなOpen-Setドメイン適応を実現する。
論文参考訳（メタデータ） (2021-07-05T14:56:57Z)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。