論文の概要: DynProto: Dynamic Prototype Evolution for Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2604.23729v1
• Date: Sun, 26 Apr 2026 14:15:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.524771
• Title: DynProto: Dynamic Prototype Evolution for Out-of-Distribution Detection
• Title（参考訳）: DynProto: アウト・オブ・ディストリビューション検出のための動的プロトタイプ進化
• Authors: Yanqi Wu, Xinhua Lu, Runhe Lai, Qichao Chen, Jia-Xin Zhuang, Wei-Shi Zheng, Ruixuan Wang,
• Abstract要約: DynProtoは、ID情報のみを使用してテスト中にOODプロトタイプを動的に学習する新しいアプローチである。 我々は、容易に検出できるOODサンプルをアンカーとして利用して、検出が難しい類似のサンプルを見つけます。 DynProtoは、複数のベンチマークで先行メソッドを著しく上回っている。
• 参考スコア（独自算出の注目度）: 42.39636668725844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies show that using potential out-of-distribution (OOD) labels from large corpora as auxiliary information can improve OOD detection in vision-language models (VLMs). However, these methods often fail when real-world OOD samples fall outside the predefined OOD label set. To address this limitation, we propose DynProto, a novel approach that learns OOD prototypes dynamically during testing using only in-distribution (ID) information. DynProto is inspired by a key observation: OOD samples predicted as the same ID class tend to cluster in the feature space. With this insight, we leverage easy-to-detect OOD samples as ``anchors'' to find their harder-to-detect, similar counterparts. To this end, DynProto introduces two modules: \textbf{Coarse OOD Pattern Capturing Module} caches OOD patterns that are easily confused with each ID class during testing, and \textbf{Fine-grained OOD Pattern Refinement Module} subsequently clusters these patterns within each cache and aggregates them into representative OOD prototypes. By measuring similarity to ID and dynamic OOD prototypes, DynProto enables accurate OOD detection. DynProto significantly outperforms prior methods across multiple benchmarks. On ImageNet OOD benchmark, DynProto reduces FPR95 by 11.60\% and improves AUROC by 4.70\%. Moreover, the framework is architecture-agnostic and can be integrated into various backbones.
• Abstract（参考訳）: 近年の研究では、視覚言語モデル(VLM)において、大規模コーパスからのOODラベルを補助情報として使用することにより、OODの検出が向上することが示されている。 しかし、実際のOODサンプルが事前に定義されたOODラベルセットの外に落下すると、これらのメソッドは失敗することが多い。 この制限に対処するためにDynProtoを提案する。DynProtoは、ID情報のみを用いてテスト中にOODプロトタイプを動的に学習する新しいアプローチである。 同じIDクラスとして予測されるOODサンプルは、機能領域にクラスタされる傾向があります。 この知見により、容易に検出できるOODサンプルを‘anchors’として利用して、検出が難しい類似のサンプルを見つけます。 この目的のためにDynProto氏は2つのモジュールを紹介している。 \textbf{Coarse OOD Pattern Capturing Module} はテスト中に各IDクラスと容易に混同されるOODパターンをキャッシュする。 IDと動的OODプロトタイプの類似性を測定することで、DynProtoは正確なOOD検出を可能にする。 DynProtoは、複数のベンチマークで先行メソッドを著しく上回っている。 ImageNet OODベンチマークでは、DynProtoはFPR95を11.60 %削減し、AUROCを4.70 %改善した。 さらに、フレームワークはアーキテクチャに依存しないため、さまざまなバックボーンに統合することができる。

関連論文リスト

• Prototype Fusion: A Training-Free Multi-Layer Approach to OOD Detection [0.8394724589095839]
  中間層がOOD検出に等しくリッチで差別的な情報を符号化していることを示す。 複数の層にまたがる内部表現を利用するモデルに依存しない手法を提案する。 本手法は,画像分類における頑健でアーキテクチャに依存しない性能と強力な一般化を実現する。
  論文  参考訳（メタデータ） (2026-03-24T19:32:13Z)
• DCAC: Dynamic Class-Aware Cache Creates Stronger Out-of-Distribution Detectors [43.8920190045364]
  深いニューラルネットワークでは、アウト・オブ・ディストリビューション(OOD)検出が依然として根本的な課題である。 我々は,各IDクラスごとに個別のキャッシュを保持して高エントロピーサンプルを収集する,トレーニングフリーでテストタイムのキャリブレーションモジュールであるDCAC(Dynamic Class-Aware Cache)を提案する。
  論文  参考訳（メタデータ） (2026-01-18T16:16:31Z)
• Proto-OOD: Enhancing OOD Object Detection with Prototype Feature Similarity [15.305171289133463]
  限られたカテゴリサンプルでトレーニングされたニューラルネットワークは、しばしばOOD(out-of-distribution)オブジェクトを誤予測する。 我々は、同じカテゴリの特徴が特徴空間においてより密集しているのに対して、異なるカテゴリの特徴はより分散しているのを観察する。 我々は新しいOOD検出ネットワーク構造(Proto-OOD)を導入する。 Proto-OODは、コントラスト損失を用いたカテゴリプロトタイプの表現性を向上し、入力特徴とカテゴリプロトタイプの類似性を評価することでOODデータを検出する。
  論文  参考訳（メタデータ） (2024-09-09T09:48:27Z)
• 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)
• Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
  既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。 いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。 この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-14T09:27:56Z)
• 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)
• 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)

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。