論文の概要: NegRefine: Refining Negative Label-Based Zero-Shot OOD Detection

• arxiv url: http://arxiv.org/abs/2507.09795v2
• Date: Sun, 20 Jul 2025 03:09:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 12:28:43.128954
• Title: NegRefine: Refining Negative Label-Based Zero-Shot OOD Detection
• Title（参考訳）: NegRefine: 負ラベルに基づくゼロショットOOD検出の精細化
• Authors: Amirhossein Ansari, Ke Wang, Pulei Xiong,
• Abstract要約: NegRefineはゼロショットOOD検出のための新規な負ラベル改質フレームワークである。 下位分類ラベルと固有名詞を負のラベル集合から除外するフィルタリング機構を導入する。 我々は、ImageNet-1Kを含む大規模ベンチマークでNegRefineを評価する。
• 参考スコア（独自算出の注目度）: 3.9940875711185124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in Vision-Language Models like CLIP have enabled zero-shot OOD detection by leveraging both image and textual label information. Among these, negative label-based methods such as NegLabel and CSP have shown promising results by utilizing a lexicon of words to define negative labels for distinguishing OOD samples. However, these methods suffer from detecting in-distribution samples as OOD due to negative labels that are subcategories of in-distribution labels or proper nouns. They also face limitations in handling images that match multiple in-distribution and negative labels. We propose NegRefine, a novel negative label refinement framework for zero-shot OOD detection. By introducing a filtering mechanism to exclude subcategory labels and proper nouns from the negative label set and incorporating a multi-matching-aware scoring function that dynamically adjusts the contributions of multiple labels matching an image, NegRefine ensures a more robust separation between in-distribution and OOD samples. We evaluate NegRefine on large-scale benchmarks, including ImageNet-1K. The code is available at https://github.com/ah-ansari/NegRefine.
• Abstract（参考訳）: CLIPのようなビジョン言語モデルの最近の進歩は、画像とテキストのラベル情報の両方を活用することで、ゼロショットのOOD検出を可能にしている。 これらのうち、NegLabel や CSP のような負のラベルに基づく手法は、単語の語彙を利用して、OOD サンプルを識別するための負のラベルを定義することによって、有望な結果を示している。 しかし、これらの手法は、分布内ラベルや固有名詞の下位分類である負のラベルにより、OODとして分布内サンプルを検出することに苦慮している。 また、複数のインディストリビューションと負のラベルにマッチするイメージの処理にも制限がある。 ゼロショットOOD検出のための新規な負ラベル改質フレームワークNegRefineを提案する。 負のラベル集合からサブカテゴリラベルや固有名詞を除外するフィルタリング機構を導入し、画像にマッチする複数のラベルのコントリビューションを動的に調整するマルチマッチング対応スコアリング機能を導入することにより、NegRefineは、分布内とOODサンプルのより堅牢な分離を保証する。 我々は、ImageNet-1Kを含む大規模ベンチマークでNegRefineを評価する。 コードはhttps://github.com/ah-ansari/NegRefine.comで公開されている。

関連論文リスト

• AdaNeg: Adaptive Negative Proxy Guided OOD Detection with Vision-Language Models [15.754054667010468]
  事前学習された視覚言語モデルは、負のラベルをガイダンスとして使用することにより、配布外サンプル(OOD)を特定するのに効果的である。 我々は,実際のOOD画像の探索により,テスト中に動的に生成されるテクスタダプティブな負のプロキシを提案する。 AUROCは2.45%増加し,FPR95は6.48%低下した。
  論文  参考訳（メタデータ） (2024-10-26T11:20:02Z)
• Conjugated Semantic Pool Improves OOD Detection with Pre-trained Vision-Language Models [70.82728812001807]
  ゼロショット・アウト・オブ・ディストリビューション(OOD)検出のための簡単なパイプラインでは、広範なセマンティックプールから潜在的OODラベルを選択する必要がある。 性能向上にはセマンティックプールの拡張が必要であると理論化します。 我々は,CSPによるOODラベル候補の拡大が要件を満たし,FPR95において既存の作品の7.89%を上回っていることを示す。
  論文  参考訳（メタデータ） (2024-10-11T08:24:11Z)
• Zero-Shot Out-of-Distribution Detection with Outlier Label Exposure [23.266183020469065]
  Outlier Label Exposure (OLE)は、補助的なoutlierクラスラベルを用いたゼロショットOOD検出を強化するアプローチである。 OLE は検出性能を大幅に改善し,大規模 OOD およびハード OOD 検出ベンチマークの最先端性能を向上する。
  論文  参考訳（メタデータ） (2024-06-03T10:07:21Z)
• Learning Transferable Negative Prompts for Out-of-Distribution Detection [22.983892817676495]
  負のプロンプトを学習するための新しいOOD検出手法「NegPrompt」を提案する。 外部の外れ値データに依存することなく、IDデータのみでそのような負のプロンプトを学習する。 さまざまなImageNetベンチマークの実験では、NegPromptが最先端のプロンプトベースのOOD検出方法を上回ることが示されている。
  論文  参考訳（メタデータ） (2024-04-04T07:07:34Z)
• Negative Label Guided OOD Detection with Pretrained Vision-Language Models [96.67087734472912]
  Out-of-distriion (OOD) は未知のクラスからサンプルを識別することを目的としている。 我々は,大規模なコーパスデータベースから大量の負のラベルを抽出する,NegLabelと呼ばれる新しいポストホックOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T09:19:52Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Category-Adaptive Label Discovery and Noise Rejection for Multi-label Image Recognition with Partial Positive Labels [78.88007892742438]
  部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。 これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。 我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
  論文  参考訳（メタデータ） (2022-11-15T02:11:20Z)
• Estimating Soft Labels for Out-of-Domain Intent Detection [122.68266151023676]
  Out-of-Domain (OOD)インテント検出は,実際の対話システムにおいて重要である。 擬似OODサンプルに対するソフトラベルを推定できる適応型ソフト擬似ラベル法(ASoul)を提案する。
  論文  参考訳（メタデータ） (2022-11-10T13:31:13Z)
• A Theory-Driven Self-Labeling Refinement Method for Contrastive Representation Learning [111.05365744744437]
  教師なしのコントラスト学習は、正のイメージの作物と、負のイメージの作物とをラベル付けする。 本研究は, コントラスト学習において, 不正確なラベル割り当てがセマンティック・インスタンス識別の一般化を著しく損なうことを最初に証明する。 この理論に触発されて、コントラスト学習のための新しい自己ラベル改善手法を提案する。
  論文  参考訳（メタデータ） (2021-06-28T14:24:52Z)

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。