論文の概要: Nearest-Class Mean and Logits Agreement for Wildlife Open-Set Recognition

• arxiv url: http://arxiv.org/abs/2510.17338v1
• Date: Mon, 20 Oct 2025 09:32:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.385
• Title: Nearest-Class Mean and Logits Agreement for Wildlife Open-Set Recognition
• Title（参考訳）: 野生生物のオープンセット認識のための最接近クラス平均とロジット合意
• Authors: Jiahao Huo, Mufhumudzi Muthivhi, Terence L. van Zyl, Fredrik Gustafsson,
• Abstract要約: Open-set Recognition (OSR) は、未知のサンプルを拒絶しながら、既知のクラスを分類することを目的としている。 本研究は,モデルの特徴と予測ロジットとの一致を計測する後処理OSR法に寄与する。 我々はアフリカやスウェーデンの動物に対して93.41と95.35のAUROCを達成した。
• 参考スコア（独自算出の注目度）: 4.13115026589334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current state-of-the-art Wildlife classification models are trained under the closed world setting. When exposed to unknown classes, they remain overconfident in their predictions. Open-set Recognition (OSR) aims to classify known classes while rejecting unknown samples. Several OSR methods have been proposed to model the closed-set distribution by observing the feature, logit, or softmax probability space. A significant drawback of many existing approaches is the requirement to retrain the pre-trained classification model with the OSR-specific strategy. This study contributes a post-processing OSR method that measures the agreement between the models' features and predicted logits. We propose a probability distribution based on an input's distance to its Nearest Class Mean (NCM). The NCM-based distribution is then compared with the softmax probabilities from the logit space to measure agreement between the NCM and the classification head. Our proposed strategy ranks within the top three on two evaluated datasets, showing consistent performance across the two datasets. In contrast, current state-of-the-art methods excel on a single dataset. We achieve an AUROC of 93.41 and 95.35 for African and Swedish animals. The code can be found https://github.com/Applied-Representation-Learning-Lab/OSR.
• Abstract（参考訳）: 現在の最先端の野生生物分類モデルは、クローズド・ワールド・セッティングの下で訓練されている。 未知のクラスに触れると、彼らは予測を過信する。 Open-set Recognition (OSR) は、未知のサンプルを拒絶しながら、既知のクラスを分類することを目的としている。 特徴,ロジット,ソフトマックス確率空間を観測することにより,閉集合分布をモデル化するOSR法が提案されている。 既存の多くのアプローチの重大な欠点は、OSR固有の戦略で事前訓練された分類モデルを再訓練する必要があることである。 本研究は,モデルの特徴と予測ロジットとの一致を計測する後処理OSR法に寄与する。 本研究では,NCM(Nearest Class Mean)への入力距離に基づく確率分布を提案する。 次に、NCMに基づく分布をロジット空間からのソフトマックス確率と比較し、NCMと分類ヘッドの一致を測定する。 提案した戦略は、2つの評価データセットで上位3位にランクされ、2つのデータセットで一貫したパフォーマンスを示している。 対照的に、現在の最先端のメソッドは単一のデータセットで排他的です。 我々はアフリカやスウェーデンの動物に対して93.41と95.35のAUROCを達成した。 コードはhttps://github.com/Applied-Representation-Learning-Lab/OSRで見ることができる。

関連論文リスト

• On the Necessity of Output Distribution Reweighting for Effective Class Unlearning [9.13515473028423]
  モデルが近隣のクラスに割り当てる確率を用いて、未学習のサンプルを検出するMIA-NNによる会員推論攻撃を導入する。 そこで我々は,このプライバシー漏洩を緩和する新たな微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-06-25T23:53:56Z)
• GHOST: Gaussian Hypothesis Open-Set Technique [10.426399605773083]
  大規模認識手法の評価は通常、全体的な性能に重点を置いている。 オープンセット認識(OSR)における公平性に対処し,クラスごとのパフォーマンスが劇的に変化することを示す。 Zスコア正規化をロジットに適用し、モデルの期待から逸脱する特徴量の影響を軽減する。
  論文  参考訳（メタデータ） (2025-02-05T16:56:14Z)
• Few-shot Open Relation Extraction with Gaussian Prototype and Adaptive Margin [15.118656235473921]
  no-of-the-above (FsRE with NOTA) によるほとんどショット関係抽出は、未知のクラスを持つ数ショットシナリオでラベルを予測することを目的としている。 GPAM for FsRE with NOTA という,ガウスプロトタイプと適応マージンに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-27T03:16:09Z)
• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Exploring Diverse Representations for Open Set Recognition [51.39557024591446]
  オープンセット認識(OSR)では、テスト中に未知のサンプルを拒絶しながら、クローズドセットに属するサンプルを分類する必要がある。 現在、生成モデルはOSRの差別モデルよりもよく機能している。 本稿では,多種多様な表現を識別的に学習するMulti-Expert Diverse Attention Fusion(MEDAF)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T11:40:22Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• 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)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)

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。