論文の概要: COSTARR: Consolidated Open Set Technique with Attenuation for Robust Recognition
- arxiv url: http://arxiv.org/abs/2508.01087v1
- Date: Fri, 01 Aug 2025 21:44:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:21.708255
- Title: COSTARR: Consolidated Open Set Technique with Attenuation for Robust Recognition
- Title（参考訳）: COSTARR:ロバスト認識のための拡張型オープンセット技術
- Authors: Ryan Rabinowitz, Steve Cruz, Walter Scheirer, Terrance E. Boult,
- Abstract要約: 既存のオープンセット認識手法は、慣れ親しんだ特徴の欠如による新規性の検出という、親しみやすい仮説に依存している。
そこで本研究では,訓練期間中に学習した小重量度を2つの役割差分クラスに作用させる,新しい減衰仮説を提案する。
我々は、慣れ親しんだ特徴の要求と馴染みのない特徴の欠如を組み合わせた新しいアプローチであるCOSTARRを提案する。
- 参考スコア（独自算出の注目度）: 9.301441265023461
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Handling novelty remains a key challenge in visual recognition systems. Existing open-set recognition (OSR) methods rely on the familiarity hypothesis, detecting novelty by the absence of familiar features. We propose a novel attenuation hypothesis: small weights learned during training attenuate features and serve a dual role-differentiating known classes while discarding information useful for distinguishing known from unknown classes. To leverage this overlooked information, we present COSTARR, a novel approach that combines both the requirement of familiar features and the lack of unfamiliar ones. We provide a probabilistic interpretation of the COSTARR score, linking it to the likelihood of correct classification and belonging in a known class. To determine the individual contributions of the pre- and post-attenuated features to COSTARR's performance, we conduct ablation studies that show both pre-attenuated deep features and the underutilized post-attenuated Hadamard product features are essential for improving OSR. Also, we evaluate COSTARR in a large-scale setting using ImageNet2012-1K as known data and NINCO, iNaturalist, OpenImage-O, and other datasets as unknowns, across multiple modern pre-trained architectures (ViTs, ConvNeXts, and ResNet). The experiments demonstrate that COSTARR generalizes effectively across various architectures and significantly outperforms prior state-of-the-art methods by incorporating previously discarded attenuation information, advancing open-set recognition capabilities.
- Abstract（参考訳）: ノベルティの扱いは、視覚認識システムにおいて依然として重要な課題である。
既存のオープンセット認識(OSR)手法は、慣れ親しんだ特徴の欠如による新規性の検出という、親しみやすい仮説に依存している。
学習中に学んだ小さな重みは特徴を減らし、未知のクラスと区別するのに有用な情報を捨てながら、既知のクラスを二重の役割差分する。
この見過ごされた情報を活用するために,慣れ親しんだ特徴の要求と不慣れな特徴の欠如を兼ね備えた新しいアプローチCOSTARRを提案する。
我々は、COSTARRスコアを確率論的に解釈し、それを正しい分類の可能性にリンクし、既知のクラスに属する。
COSTARRの性能向上に先進的および後進的な特徴の個人的貢献を決定するため,OSRの改善には,事前減衰した深い特徴と未利用のアダマール製品の特徴の両方が不可欠であることを示すアブレーション研究を行った。
また、COSTARRを、既知のデータとしてImageNet2012-1K、NINCO、iNaturalist、OpenImage-Oなどのデータセットを用いて、複数の近代事前学習アーキテクチャ(ViTs、ConvNeXts、ResNet)において、大規模に評価した。
実験により、COSTARRは、様々なアーキテクチャにわたって効果的に一般化し、これまで捨てられていた減衰情報を取り入れ、オープンセット認識能力を向上することで、最先端の手法を大幅に上回ることを示した。
関連論文リスト
- SphOR: A Representation Learning Perspective on Open-set Recognition for Identifying Unknown Classes in Deep Learning Models [1.2172320168050468]
我々は,特徴空間をフォン・ミセス・フィッシャー分布の混合としてモデル化する表現学習手法であるSphORを紹介する。
このアプローチは、トレーニング中に意味的に曖昧なサンプルを使用することを可能にし、未知のクラスからのサンプルの検出を改善する。
論文 参考訳（メタデータ） (2025-03-11T05:06:11Z) - Electromagnetic Scattering Kernel Guided Reciprocal Point Learning for SAR Open-Set Recognition [6.226365654670747]
Open Set Recognition (OSR)は、未知のクラスを「未知」と表現しながら、既知のクラスを分類することを目的とする。
オープンセットSAR分類を強化するために,相互学習ネットワークを用いた散乱カーネルと呼ばれる手法を提案する。
大規模属性散乱中心モデルに基づく畳み込みカーネルの設計を提案する。
論文 参考訳（メタデータ） (2024-11-07T13:26:20Z) - Efficient Prompt Tuning of Large Vision-Language Model for Fine-Grained Ship Classification [59.99976102069976]
リモートセンシング(RS-FGSC)における船のきめ細かい分類は、クラス間の高い類似性とラベル付きデータの限られた可用性のために大きな課題となる。
大規模な訓練済みビジョンランゲージモデル(VLM)の最近の進歩は、少数ショット学習やゼロショット学習において印象的な能力を示している。
本研究は, 船種別分類精度を高めるために, VLMの可能性を生かしたものである。
論文 参考訳（メタデータ） (2024-03-13T05:48:58Z) - Learning Prompt with Distribution-Based Feature Replay for Few-Shot Class-Incremental Learning [56.29097276129473]
分散型特徴再現(LP-DiF)を用いた学習プロンプト(Learning Prompt)という,シンプルで効果的なフレームワークを提案する。
新しいセッションでは,学習可能なプロンプトが古い知識を忘れないようにするため,擬似機能的リプレイ手法を提案する。
新しいセッションに進むと、古いクラスのディストリビューションと現在のセッションのトレーニングイメージを組み合わせて擬似フィーチャーをサンプリングして、プロンプトを最適化する。
論文 参考訳（メタデータ） (2024-01-03T07:59:17Z) - LORD: Leveraging Open-Set Recognition with Unknown Data [10.200937444995944]
LORDは未知のデータを活用することでオープンセット認識を活用するためのフレームワークである。
我々は、背景データを利用した3つのモデルに依存しない訓練戦略を特定し、それらを確立された分類器に適用する。
論文 参考訳（メタデータ） (2023-08-24T06:12:41Z) - Open Set Recognition using Vision Transformer with an Additional
Detection Head [6.476341388938684]
視覚変換器(ViT)技術に基づくオープンセット認識(OSR)の新しい手法を提案する。
まず、閉集合分類を行うためにViTモデルを訓練する。
そして、ViTによって抽出された埋め込み特徴に付加検出ヘッドを取り付け、既知のデータの表現をクラス固有のクラスタにコンパクトに強制するように訓練する。
論文 参考訳（メタデータ） (2022-03-16T07:34:58Z) - 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) - ConCAD: Contrastive Learning-based Cross Attention for Sleep Apnea
Detection [16.938983046369263]
睡眠時無呼吸検出のための学習型クロスアテンションフレームワーク(ConCAD)を提案する。
提案フレームワークは,標準ディープラーニングモデルに容易に統合でき,専門家の知識とコントラスト学習を活用し,パフォーマンスを向上させる。
論文 参考訳（メタデータ） (2021-05-07T02:38:56Z) - Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。
本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。
相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
論文 参考訳（メタデータ） (2020-10-31T03:20:31Z) - Knowledge Distillation Meets Self-Supervision [109.6400639148393]
知識蒸留では、教師ネットワークから「暗黒の知識」を抽出し、学生ネットワークの学習を指導する。
一見異なる自己超越的なタスクが、単純だが強力なソリューションとして機能することを示します。
これらの自己超越信号の類似性を補助的タスクとして活用することにより、隠された情報を教師から生徒に効果的に転送することができる。
論文 参考訳（メタデータ） (2020-06-12T12:18:52Z) - Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
オープンセット認識の問題点を考察する。
新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
論文 参考訳（メタデータ） (2020-05-27T23:49:26Z)
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。