論文の概要: SeNeDiF-OOD: Semantic Nested Dichotomy Fusion for Out-of-Distribution Detection Methodology in Open-World Classification. A Case Study on Monument Style Classification

• arxiv url: http://arxiv.org/abs/2601.18739v1
• Date: Mon, 26 Jan 2026 18:01:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.998486
• Title: SeNeDiF-OOD: Semantic Nested Dichotomy Fusion for Out-of-Distribution Detection Methodology in Open-World Classification. A Case Study on Monument Style Classification
• Title（参考訳）: SeNeDiF-OOD: Semantic Nested Dichotomy Fusion for Out-of-distriion Detection Methodology in Open-World Classification : A Case Study on Monument Style Classification
• Authors: Ignacio Antequera-Sánchez, Juan Luis Suárez-Díaz, Rosana Montes, Francisco Herrera,
• Abstract要約: SeNeDiF-OODはSemantic Nested Dichotomy Fusionに基づく新しい方法論である。 オープンな環境に暴露された実世界の建築様式認識システムであるMonuMAIを用いたケーススタディを提案する。
• 参考スコア（独自算出の注目度）: 3.189189590825304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection is a fundamental requirement for the reliable deployment of artificial intelligence applications in open-world environments. However, addressing the heterogeneous nature of OOD data, ranging from low-level corruption to semantic shifts, remains a complex challenge that single-stage detectors often fail to resolve. To address this issue, we propose SeNeDiF-OOD, a novel methodology based on Semantic Nested Dichotomy Fusion. This framework decomposes the detection task into a hierarchical structure of binary fusion nodes, where each layer is designed to integrate decision boundaries aligned with specific levels of semantic abstraction. To validate the proposed framework, we present a comprehensive case study using MonuMAI, a real-world architectural style recognition system exposed to an open environment. This application faces a diverse range of inputs, including non-monument images, unknown architectural styles, and adversarial attacks, making it an ideal testbed for our proposal. Through extensive experimental evaluation in this domain, results demonstrate that our hierarchical fusion methodology significantly outperforms traditional baselines, effectively filtering these diverse OOD categories while preserving in-distribution performance.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、オープンワールド環境における人工知能アプリケーションの信頼性の高いデプロイの基本的な要件である。 しかし、低レベルの汚職からセマンティックシフトまで、OODデータの異質性に対処することは、単一ステージ検出器がしばしば解決できない複雑な課題である。 本稿では,Semantic Nested Dichotomy Fusionに基づく新しい手法であるSeNeDiF-OODを提案する。 このフレームワークは、検出タスクをバイナリフュージョンノードの階層構造に分解する。 提案手法を実証するために,オープン環境に露出した実世界の建築様式認識システムであるMonuMAIを用いた総合ケーススタディを提案する。 このアプリケーションは、モニュメントのない画像、未知のアーキテクチャスタイル、敵攻撃など多様な入力に直面するため、我々の提案にとって理想的なテストベッドとなる。 この領域での広範囲な実験的評価により、我々の階層的融合手法は従来のベースラインを著しく上回り、分配性能を維持しつつ、これらの多様なOODカテゴリを効果的にフィルタリングすることを示した。

関連論文リスト

• SupLID: Geometrical Guidance for Out-of-Distribution Detection in Semantic Segmentation [6.1937472685875]
  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。
  論文  参考訳（メタデータ） (2025-11-24T06:49:54Z)
• A Multi-dimensional Semantic Surprise Framework Based on Low-Entropy Semantic Manifolds for Fine-Grained Out-of-Distribution Detection [9.10958906714455]
  我々は、コアタスクを新しいサンプルのセマンティックサプライズを定量化するものとして定式化する。 次に、サンプルの総サプライズを3つの相補的な次元(整合性、新規性、曖昧性)に分解する普遍的なプローブであるセマンティックサプライズベクトル(SSV)を導入する。 実験により、我々のフレームワークは、挑戦的な第三次タスクに対して新しい最先端(ソータ)を確立するだけでなく、その堅牢な表現は従来のバイナリベンチマーク上でもトップ結果が得られることが示された。
  論文  参考訳（メタデータ） (2025-10-15T02:26:35Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• Towards Training-free Anomaly Detection with Vision and Language Foundation Models [17.991678161890174]
  異常検出は、産業品質検査のような現実世界の応用に有用である。 論理的および構造的異常検出のトレーニングを必要としない新しいマルチモーダルフレームワークであるLogSADを紹介する。
  論文  参考訳（メタデータ） (2025-03-24T04:07:59Z)
• COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
  顔偽造認識法は一度に1つの顔しか処理できない。 ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。 マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
  論文  参考訳（メタデータ） (2023-08-03T03:37:13Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• A General Framework For Detecting Anomalous Inputs to DNN Classifiers [37.79389209020564]
  本稿では,内部のディープニューラルネットワーク層表現に基づく教師なし異常検出フレームワークを提案する。 我々は,強力な逆攻撃とOOD入力を用いた画像分類データセットについて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2020-07-29T22:57:57Z)

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。