論文の概要: Bounding Box Anomaly Scoring for simple and efficient Out-of-Distribution detection

• arxiv url: http://arxiv.org/abs/2603.22660v1
• Date: Tue, 24 Mar 2026 00:25:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.230456
• Title: Bounding Box Anomaly Scoring for simple and efficient Out-of-Distribution detection
• Title（参考訳）: 簡易かつ効率的なアウト・オブ・ディストリビューション検出のためのバウンディングボックス異常検査
• Authors: Mohamed Bahi Yahiaoui, Geoffrey Daniel, Loïc Giraldi, Jérémie Bruyelle, Julyan Arbel,
• Abstract要約: Out-of-distribution (OOD) 検出は、深層ニューラルネットワークによる信頼できない予測を減らすために、トレーニングディストリビューションとは異なる入力を識別することを目的としている。 本稿では,バウンディングボックス抽象化を利用したポストホックOOD検出手法であるバウンディングボックス異常検査(BBAS)を紹介する。 BBASは、バウンディングボックスアプローチの単純さ、コンパクト性、および更新性を保ちながら、分布内と分布外サンプルの堅牢な分離を提供する。
• 参考スコア（独自算出の注目度）: 1.6301829978910736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection aims to identify inputs that differ from the training distribution in order to reduce unreliable predictions by deep neural networks. Among post-hoc feature-space approaches, OOD detection is commonly performed by approximating the in-distribution support in the representation space of a pretrained network. Existing methods often reflect a trade-off between compact parametric models, such as Mahalanobis-based scores, and more flexible but reference-based methods, such as k-nearest neighbors. Bounding-box abstraction provides an attractive intermediate perspective by representing in-distribution support through compact axis-aligned summaries of hidden activations. In this paper, we introduce Bounding Box Anomaly Scoring (BBAS), a post-hoc OOD detection method that leverages bounding-box abstraction. BBAS combines graded anomaly scores based on interval exceedances, monitoring variables adapted to convolutional layers, and decoupled clustering and box construction for richer and multi-layer representations. Experiments on image-classification benchmarks show that BBAS provides robust separation between in-distribution and out-of-distribution samples while preserving the simplicity, compactness, and updateability of the bounding-box approach.
• Abstract（参考訳）: Out-of-distribution (OOD) 検出は、深層ニューラルネットワークによる信頼できない予測を減らすために、トレーニングディストリビューションとは異なる入力を識別することを目的としている。 ポストホックな特徴空間アプローチの中で、OOD検出は、事前訓練されたネットワークの表現空間における分布内サポートを近似することで一般的に行われる。 既存の方法は、マハラノビスベースのスコアのようなコンパクトなパラメトリックモデルと、k-アネレスト隣人のようなより柔軟だが参照ベースの方法とのトレードオフを反映することが多い。 境界ボックスの抽象化は、隠れたアクティベーションのコンパクトな軸方向のサマリを通して、分散サポートを表現することによって、魅力的な中間的な視点を提供する。 本稿では,Bunding Box Anomaly Scoring (BBAS)を提案する。 BBASは、間隔の超越、畳み込み層に適応した変数のモニタリング、よりリッチで多層的な表現のための分離クラスタリングとボックス構成を組み合わさっている。 画像分類ベンチマークの実験により、BBASは、バウンディングボックスアプローチの単純さ、コンパクト性、および更新性を保ちながら、分布内サンプルと分布外サンプルの堅牢な分離を提供することが示された。

関連論文リスト

• Learnable Chernoff Baselines for Inference-Time Alignment [64.81256817158851]
  本稿では,指数関数的に傾いたカーネルから効率よく,およそサンプリングする方法として,Learnerable Chernoff Baselinesを紹介した。 理想的なモデルに対する全変量保証を確立し、LCBサンプリングが理想的拒絶サンプリングと密接に一致するような連続的および離散的な拡散設定を実証する。
  論文  参考訳（メタデータ） (2026-02-08T00:09:40Z)
• Predictive Sample Assignment for Semantically Coherent Out-of-Distribution Detection [62.1052001316508]
  セマンティック・コヒーレント・アウト・オブ・ディストリビューション検出(SCOOD)は、最近提案された現実的なOOD検出設定である。 予測サンプル割当て(PSA)に基づく簡潔SCOODフレームワークを提案する。 我々の手法は最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2025-12-15T01:18:38Z)
• 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)
• Revisiting Logit Distributions for Reliable Out-of-Distribution Detection [73.9121001113687]
  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保証するために重要である。 LogitGapは、最大ロジットと残りのロジットの関係を利用する、ポストホックなOOD検出手法である。 我々は、LogitGapが様々なOOD検出シナリオとベンチマークにわたって、最先端のパフォーマンスを一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2025-10-23T02:16:45Z)
• Pseudo-label Induced Subspace Representation Learning for Robust Out-of-Distribution Detection [6.5679810906772325]
  擬似ラベルによる部分空間表現に基づく新しいOOD検出フレームワークを提案する。 さらに,クロスエントロピーに基づくID分類損失と部分空間距離に基づく正規化損失を統合し,ID-OOD分離性を向上する単純な学習基準を導入する。
  論文  参考訳（メタデータ） (2025-08-05T05:38:00Z)
• 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)
• WDiscOOD: Out-of-Distribution Detection via Whitened Linear Discriminant Analysis [21.023001428704085]
  本稿では,クラス固有情報とクラス非依存情報に基づく新しい特徴空間OOD検出スコアを提案する。 WDiscOODという手法の有効性を,大規模なImageNet-1kベンチマークで検証した。
  論文  参考訳（メタデータ） (2023-03-14T00:13:57Z)
• Adversarial Examples Detection with Bayesian Neural Network [57.185482121807716]
  本稿では,ランダムな成分が予測器の滑らかさを向上できるという観測によって動機づけられた敵の例を検出するための新しい枠組みを提案する。 本稿では,BATer を略した新しいベイズ対向型サンプル検出器を提案し,対向型サンプル検出の性能を向上させる。
  論文  参考訳（メタデータ） (2021-05-18T15:51:24Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。