論文の概要: SupLID: Geometrical Guidance for Out-of-Distribution Detection in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2511.18816v1
• Date: Mon, 24 Nov 2025 06:49:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.056041
• Title: SupLID: Geometrical Guidance for Out-of-Distribution Detection in Semantic Segmentation
• Title（参考訳）: SupLID:セマンティックセグメンテーションにおける分布外検出のための幾何学的ガイダンス
• Authors: Nimeshika Udayangani, Sarah Erfani, Christopher Leckie,
• Abstract要約: セマンティックセグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)検出は、画素レベルで異常領域をローカライズすることを目的としている。 近年,画像レベルのOOD手法の適応性について研究が進められている。 本稿では,下層の意味空間の幾何学的構造を利用して分類器由来のOODスコアを効果的にガイドする新しいフレームワークであるSupLIDを紹介する。
• 参考スコア（独自算出の注目度）: 6.1937472685875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-Distribution (OOD) detection in semantic segmentation aims to localize anomalous regions at the pixel level, advancing beyond traditional image-level OOD techniques to better suit real-world applications such as autonomous driving. Recent literature has successfully explored the adaptation of commonly used image-level OOD methods--primarily based on classifier-derived confidence scores (e.g., energy or entropy)--for this pixel-precise task. However, these methods inherit a set of limitations, including vulnerability to overconfidence. In this work, we introduce SupLID, a novel framework that effectively guides classifier-derived OOD scores by exploiting the geometrical structure of the underlying semantic space, particularly using Linear Intrinsic Dimensionality (LID). While LID effectively characterizes the local structure of high-dimensional data by analyzing distance distributions, its direct application at the pixel level remains challenging. To overcome this, SupLID constructs a geometrical coreset that captures the intrinsic structure of the in-distribution (ID) subspace. It then computes OOD scores at the superpixel level, enabling both efficient real-time inference and improved spatial smoothness. We demonstrate that geometrical cues derived from SupLID serve as a complementary signal to traditional classifier confidence, enhancing the model's ability to detect diverse OOD scenarios. Designed as a post-hoc scoring method, SupLID can be seamlessly integrated with any semantic segmentation classifier at deployment time. Our results demonstrate that SupLID significantly enhances existing classifier-based OOD scores, achieving state-of-the-art performance across key evaluation metrics, including AUR, FPR, and AUP. Code is available at https://github.com/hdnugit/SupLID.
• Abstract（参考訳）: セマンティックセグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)検出は、画素レベルで異常領域をローカライズすることを目的としており、従来の画像レベルのOOD技術を超えて、自律運転のような現実世界のアプリケーションに適合するようにしている。 近年の文献では、主に分類器由来の信頼度スコア(例えば、エネルギー、エントロピー)に基づく画像レベルのOOD手法の適応性について研究されている。 しかし、これらのメソッドは、過信への脆弱性を含む一連の制限を継承する。 本稿では,特に線形固有次元(LID)を用いて,下層の意味空間の幾何学的構造を利用することによって,分類器由来のOODスコアを効果的にガイドする新しいフレームワークであるSupLIDを紹介する。 LIDは距離分布を解析することで高次元データの局所構造を効果的に特徴づけるが、画素レベルでの直接適用は依然として困難である。 これを解決するために、SupLIDは、分布内(ID)部分空間の固有の構造をキャプチャする幾何学的コアセットを構築する。 すると、OODスコアをスーパーピクセルレベルで計算し、効率的なリアルタイム推論と空間的滑らかさの改善の両方を可能にします。 我々は,SupLIDから派生した幾何学的手がかりが,従来の分類器の信頼性を補完する信号として機能し,多様なOODシナリオを検出するモデルの能力を高めることを実証した。 ポストホックスコア法として設計されたSupLIDは、デプロイ時に任意のセマンティックセグメンテーション分類器とシームレスに統合できる。 その結果,SupLID は既存の分類器を用いた OOD スコアを大幅に向上し,AUR,FPR,AUP など主要な評価指標における最先端性能を実現した。 コードはhttps://github.com/hdnugit/SupLID.comで入手できる。

関連論文リスト

• Perturbations in the Orthogonal Complement Subspace for Efficient Out-of-Distribution Detection [5.986846311786858]
  オープンソース環境におけるディープラーニングモデルのデプロイには,アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 P-OCSは,ID特徴量によって定義される主部分空間を補完する軽量で理論的に基礎付けられた手法である。 本研究では,小摂動体制において一段階の更新が十分であることを示すとともに,検出スコアの収束保証を提供する。
  論文  参考訳（メタデータ） (2025-11-02T08:21:13Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• GROOD: GRadient-Aware Out-of-Distribution Detection [11.511906612904255]
  現実世界のアプリケーションにおけるディープラーニングモデルの信頼性を確保するためには、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。 In-distriion (ID) トレーニングデータから直接 OOD プロトタイプを抽出し,クラスプロトタイプを演算する GRADient-Aware Out-Of-Distribution Detection (GROOD) を提案する。
  論文  参考訳（メタデータ） (2023-12-22T04:28:43Z)
• From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
  アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。 近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。 グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
  論文  参考訳（メタデータ） (2023-08-20T11:56:25Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• 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)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
  IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。 IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。 IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
  論文  参考訳（メタデータ） (2021-03-02T08:20:08Z)
• Out-Of-Distribution Detection With Subspace Techniques And Probabilistic Modeling Of Features [7.219077740523682]
  本論文では,DNN(Deep Neural Network)におけるOOD(Out-of- Distributionion)サンプル検出の原理的手法を提案する。 深部特徴量に基づく確率分布のモデル化は,近年,DNNにおけるOODサンプルの検出方法として,効率的かつ安価に実現されている。 線形統計的次元還元法と非線形多様体学習法を高次元的特徴に適用し、その特徴にまたがる真の部分空間を捕捉する。
  論文  参考訳（メタデータ） (2020-12-08T07:07:11Z)

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。