論文の概要: Local Background Features Matter in Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2510.12259v1
• Date: Tue, 14 Oct 2025 08:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.241059
• Title: Local Background Features Matter in Out-of-Distribution Detection
• Title（参考訳）: アウト・オブ・ディストリビューション検出における局所的特徴
• Authors: Jinlun Ye, Zhuohao Sun, Yiqiao Qiu, Qiu Li, Zhijun Tan, Ruixuan Wang,
• Abstract要約: アプリケーションの信頼性と安全性を確保するために、現実世界にディープニューラルネットワークをデプロイする際には、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 OOD検出における大きな課題の1つは、ニューラルネットワークモデルがOODデータ上で過信な予測を生成することが多いことだ。 そこで本研究では,モデル学習において,ローカルな背景特徴を偽のOOD特徴として活用する新しいOOD検出手法を提案する。
• 参考スコア（独自算出の注目度）: 7.9113572982737494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection is crucial when deploying deep neural networks in the real world to ensure the reliability and safety of their applications. One main challenge in OOD detection is that neural network models often produce overconfident predictions on OOD data. While some methods using auxiliary OOD datasets or generating fake OOD images have shown promising OOD detection performance, they are limited by the high costs of data collection and training. In this study, we propose a novel and effective OOD detection method that utilizes local background features as fake OOD features for model training. Inspired by the observation that OOD images generally share similar background regions with ID images, the background features are extracted from ID images as simulated OOD visual representations during training based on the local invariance of convolution. Through being optimized to reduce the $L_2$-norm of these background features, the neural networks are able to alleviate the overconfidence issue on OOD data. Extensive experiments on multiple standard OOD detection benchmarks confirm the effectiveness of our method and its wide combinatorial compatibility with existing post-hoc methods, with new state-of-the-art performance achieved from our method.
• Abstract（参考訳）: アプリケーションの信頼性と安全性を確保するために、現実世界にディープニューラルネットワークをデプロイする際には、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 OOD検出における大きな課題の1つは、ニューラルネットワークモデルがOODデータ上で過信な予測を生成することが多いことだ。 補助的なOODデータセットを使用したり、偽のOOD画像を生成する方法の中には、有望なOOD検出性能を示すものもあるが、データ収集とトレーニングのコストの高さによって制限されているものもある。 本研究では, モデル学習において, ローカルな背景特徴を偽のOOD特徴として活用する, 新規かつ効果的なOOD検出手法を提案する。 OOD画像は、通常、ID画像と類似した背景領域を共有しているという観察にインスパイアされ、その背景特徴は、局所的な畳み込みの不変性に基づいて、訓練中にシミュレーションされたOOD視覚表現として、ID画像から抽出される。 これらのバックグラウンド機能の$L_2$-normを最適化することで、ニューラルネットワークはOODデータに対する過信問題を緩和することができる。 複数の標準OOD検出ベンチマークによる広範囲な実験により,本手法の有効性と既存のポストホック法との組合せ性が確認された。

関連論文リスト

• Logits-Based Finetuning [48.18151583153572]
  本稿では,教師付き学習と知識蒸留の強みを統合したロジットに基づく微調整フレームワークを提案する。 提案手法は,教師のロジットと地上の真理ラベルを組み合わせ,正確性と言語的多様性を両立させることにより,充実した訓練目標を構築する。
  論文  参考訳（メタデータ） (2025-05-30T10:57:09Z)
• Unsupervised Out-of-Distribution Detection in Medical Imaging Using Multi-Exit Class Activation Maps and Feature Masking [15.899277292315995]
  医用画像における深層学習モデルの信頼性確保には,アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 この研究は、クラスアクティベーションマップ(CAM)が、通常、モデルの予測に非常に関係のある領域を強調しているという観察に動機づけられている。 マルチエクイットCAMと特徴マスキングを活用した,新しい教師なしOOD検出フレームワークであるMulti-Exit Class Activation Map (MECAM)を導入する。
  論文  参考訳（メタデータ） (2025-05-13T14:18:58Z)
• Advancing Out-of-Distribution Detection via Local Neuroplasticity [60.53625435889467]
  本稿では,コルモゴロフ・アルノルドネットワーク(KAN)の局所神経可塑性特性を利用した新しいOOD検出法を提案する。 本手法は,トレーニング対象のカンの活性化パターンとトレーニング対象のOOD検出パターンを比較した。 画像および医用領域のベンチマークに対するアプローチを検証し、最先端技術と比較して優れた性能と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-02-20T11:13:41Z)
• Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
  アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。 テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。 SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
  論文  参考訳（メタデータ） (2024-09-08T17:28:22Z)
• Skeleton-OOD: An End-to-End Skeleton-Based Model for Robust Out-of-Distribution Human Action Detection [17.85872085904999]
  そこで我々はSkeleton-OODと呼ばれる新しい骨格モデルを提案する。 Skeleton-OODは、ID認識の精度を確保しつつ、OODタスクの有効性を向上させる。 本研究は,骨格型行動認識タスクの文脈における従来のOOD検出技術の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2024-05-31T05:49:37Z)
• Classifier-head Informed Feature Masking and Prototype-based Logit Smoothing for Out-of-Distribution Detection [27.062465089674763]
  ニューラルネットワークを現実世界にデプロイする際には、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 1つの大きな課題は、ニューラルネットワークがOODデータに対して過信的な予測をすることです。 本稿では,新しい特徴マスキング戦略と新しいロジット平滑化戦略に基づく,効果的なポストホックOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2023-10-27T12:42:17Z)
• Out-of-distribution Detection with Implicit Outlier Transformation [72.73711947366377]
  外周露光(OE)は、オフ・オブ・ディストリビューション(OOD)検出において強力である。 我々は,未確認のOOD状況に対してモデルの性能を良くする,新しいOEベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-09T04:36:38Z)
• Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
  簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。 我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
  論文  参考訳（メタデータ） (2023-02-06T08:24:41Z)
• A Simple Test-Time Method for Out-of-Distribution Detection [45.11199798139358]
  本稿では,OOD検出のための簡易なテスト時間線形訓練法を提案する。 分布外である入力画像の確率は、ニューラルネットワークが抽出した特徴と驚くほど線形に相関していることがわかった。 本稿では,提案手法のオンライン版を提案し,実世界のアプリケーションでより実用的な性能を実現する。
  論文  参考訳（メタデータ） (2022-07-17T16:02:58Z)

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。