論文の概要: Background Prompt for Few-Shot Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2509.21055v1
• Date: Thu, 25 Sep 2025 12:03:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.88746
• Title: Background Prompt for Few-Shot Out-of-Distribution Detection
• Title（参考訳）: 複数ショットアウトオブディストリビューション検出のためのバックグラウンドプロンプト
• Authors: Songyue Cai, Zongqian Wu, Yujie Mo, Liang Peng, Ping Hu, Xiaoshuang Shi, Xiaofeng Zhu,
• Abstract要約: FS-OOD検出のための新しいFG-BG分解フレームワークであるMamboを提案する。 具体的には、背景情報と画像意味情報の両方を含む局所的背景類似性を得るために、まず背景プロンプトを学習することを提案する。 局所的背景類似度と局所クラス類似度の両方を用いて背景抽出を行い,従来手法における局所クラス類似度への依存性を低減する。
• 参考スコア（独自算出の注目度）: 39.66477903922584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing foreground-background (FG-BG) decomposition methods for the few-shot out-of-distribution (FS-OOD) detection often suffer from low robustness due to over-reliance on the local class similarity and a fixed background patch extraction strategy. To address these challenges, we propose a new FG-BG decomposition framework, namely Mambo, for FS-OOD detection. Specifically, we propose to first learn a background prompt to obtain the local background similarity containing both the background and image semantic information, and then refine the local background similarity using the local class similarity. As a result, we use both the refined local background similarity and the local class similarity to conduct background extraction, reducing the dependence of the local class similarity in previous methods. Furthermore, we propose the patch self-calibrated tuning to consider the sample diversity to flexibly select numbers of background patches for different samples, and thus exploring the issue of fixed background extraction strategies in previous methods. Extensive experiments on real-world datasets demonstrate that our proposed Mambo achieves the best performance, compared to SOTA methods in terms of OOD detection and near OOD detection setting. The source code will be released at https://github.com/YuzunoKawori/Mambo.
• Abstract（参考訳）: 既存フォアグラウンド・バックグラウンド(FG-BG)分解法では, 局所クラス類似性への過度な依存と固定背景パッチ抽出戦略により, FS-OOD検出が低ロバスト性に悩まされることが多い。 これらの課題に対処するため,FS-OOD検出のための新しいFG-BG分解フレームワークであるMamboを提案する。 具体的には、まず背景情報と画像意味情報の両方を含む局所的背景類似性を学習し、その局所的背景類似性を局所クラス類似性を用いて洗練することを提案する。 その結果,局所的背景類似度と局所クラス類似度の両方を用いて背景抽出を行い,従来手法における局所クラス類似度の依存性を低減した。 さらに,サンプルの多様性を考慮し,異なるサンプルに対する背景パッチ数を柔軟に選択するパッチ自己校正チューニングを提案する。 実世界のデータセットに対する大規模な実験により,提案したMamboはOOD検出およびOOD検出近傍のSOTA法と比較して,最高の性能を発揮することが示された。 ソースコードはhttps://github.com/YuzunoKawori/Mambo.comで公開される。

関連論文リスト

• BackMix: Regularizing Open Set Recognition by Removing Underlying Fore-Background Priors [50.09148454840245]
  オープンセット認識(OSR)は、実世界のアプリケーションのための未知のサンプルを検出しながら、既知のサンプルを分類するモデルを必要とする。 既存の研究では、OSRモデルを正規化するために補助データセットから未知のサンプルを使用することで、驚くべき進歩が見られるが、それらは既知の外れ値を選択することに敏感であることが証明されている。 本研究では,画像の前景と背景の異なる背景を混合し,背景の背景を除去する新しい手法であるBackMixを提案する。
  論文  参考訳（メタデータ） (2025-03-22T10:23:11Z)
• Image Copy-Move Forgery Detection via Deep PatchMatch and Pairwise Ranking Learning [39.85737063875394]
  本研究では,従来の学習手法と深層学習手法の強みを統合した,エンドツーエンドのCMFDフレームワークを開発した。 既存のディープモデルとは異なり,提案手法では,高分解能スケールから抽出した特徴を利用して,明示的で信頼性の高いポイント・ツー・ポイントマッチングを求める。 このフレームワークは、ポイント・ツー・ポイントマッチングの強い先行性を活用することで、微妙な違いを識別し、ソースとターゲットの領域を効果的に識別することができる。
  論文  参考訳（メタデータ） (2024-04-26T10:38:17Z)
• 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)
• Masking Strategies for Background Bias Removal in Computer Vision Models [8.168621685852521]
  本研究では,背景バイアスが微細な画像分類に与える影響について検討する。 我々は、コナールニューラルネットワーク(CNN)やビジョントランスフォーマー(ViT)などの標準バックボーンモデルを評価する。 実験は、異なるマスキング戦略の下でCNNとViTモデルの挙動を評価する。
  論文  参考訳（メタデータ） (2023-08-23T13:33:39Z)
• Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
  拡散モデルを用いた重畳音源の分離手法を提案する。 高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。 提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
  論文  参考訳（メタデータ） (2023-06-26T04:12:40Z)
• Improving Out-of-Distribution Detection with Disentangled Foreground and Background Features [23.266183020469065]
  本稿では,IDトレーニングサンプルから前景と背景の特徴を密接な予測手法によって切り離す新しいフレームワークを提案する。 これは、様々な既存のOOD検出メソッドとシームレスに組み合わせられる汎用フレームワークである。
  論文  参考訳（メタデータ） (2023-03-15T16:12:14Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大き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） (2022-10-04T07:54:40Z)

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。