論文の概要: Fi-ImageNet-1k: An OOD Benchmark From the Inside of the ImageNet-1k Validation Set
- arxiv url: http://arxiv.org/abs/2609.01027v1
- Date: Tue, 01 Sep 2026 10:23:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.551885
- Title: Fi-ImageNet-1k: An OOD Benchmark From the Inside of the ImageNet-1k Validation Set
- Title（参考訳）: Fi-ImageNet-1k: ImageNet-1k検証セットの内部からのOODベンチマーク
- Authors: Ruslan Rozumnyi, Matěj Suchánek, Tomáš Vojíř, Klára Janoušková, Jiří Matas,
- Abstract要約: Out-of-distribution (OOD) 検出は、テストイメージが事前に定義されたクラスのどれにも属さないかどうかを予測する。
我々は、ImageNet-1k検証画像から構築されたOODデータセットであるFi-ImageNet-1kを提案する。
ImageNet-1kラベル空間の外で特定のクラスを割り当てることのできるイメージのみを保持する。
- 参考スコア（独自算出の注目度）: 0.1898024801328554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Out-of-distribution (OOD) detection predicts whether a test image belongs to none of the predefined classes. To evaluate this task, benchmarks need images from outside the in-distribution (ID) data; typically, these are defined or collected in an ad hoc fashion. Since no ground truth is perfect, ID-labeled datasets themselves contain a natural source of OOD images. We exploit such annotation errors and present Fi-ImageNet-1k, an OOD dataset built from ImageNet-1k validation images that the recent ReImageNet reannotation effort assigned to no ImageNet-1k class. Each image was examined by expert human annotators supported by evidence from MLLMs, VLMs, and reverse image search, comparing it against all visually similar ID classes. We keep only images that could be assigned a specific class outside the ImageNet-1k label space. The resulting Fi-ImageNet-1k, with 655 images from 522 classes, is substantially more challenging than any commonly used OOD dataset. No evaluated combination of classifier and OOD detector achieves a false positive rate below 51% at 95% true positive rate (FPR@95). Compared to the recent NINCO, our dataset is 3.8x more challenging in the FPR@95 metric for state-of-the-art supervised OOD detection methods.
- Abstract（参考訳）: Out-of-distribution (OOD) 検出は、テストイメージが事前に定義されたクラスのどれにも属さないかどうかを予測する。
このタスクを評価するには、ベンチマークはID(In-distriion)データの外部からの画像を必要とする。
基礎的な真実は完璧ではないため、IDラベル付きデータセット自体はOOD画像の自然なソースを含んでいる。
我々はこのようなアノテーションエラーを利用して、ImageNet-1k検証画像から構築されたOODデータセットであるFi-ImageNet-1kを提示する。
各画像は、MLLM、VLM、リバース画像検索の証拠によって支援された専門家のアノテータによって検査され、視覚的に類似したすべてのIDクラスと比較された。
ImageNet-1kラベル空間の外で特定のクラスを割り当てることのできるイメージのみを保持する。
結果として得られたFi-ImageNet-1kは、522クラスの655のイメージを持ち、一般的なOODデータセットよりもかなり難しい。
評価された分類器とOOD検出器の組み合わせは、95%真の正率(FPR@95)で51%未満の偽陽性率を達成する。
最近のNINCOと比較して、我々のデータセットは最先端の監視OOD検出方法のFPR@95で3.8倍難しい。
関連論文リスト
- A Closer Look at In-Distribution vs. Out-of-Distribution Accuracy for Open-Set Test-time Adaptation [6.1293098565089545]
我々は,CIFAR-10-C と ImageNet-C の破損評価ベンチマークにおいて,オープンセットテスト時間適応法をベンチマークした。
CIFAR-10-C と ImageNet-C を用いた InD と OOD の認識における TTA 手法の精度と信頼性の評価を行った。
ソフトマックス/マルチクラス出力をシグモイド/マルチラベル出力に置き換える新しいベースラインを提案する。
論文 参考訳（メタデータ） (2026-06-01T09:35:29Z) - COOkeD: Ensemble-based OOD detection in the era of zero-shot CLIP [47.84776775118222]
アウト・オブ・ディストリビューション(OOD)検出は、信頼できる画像認識システムにおいて重要なビルディングブロックである。
両端から少し開放感が与えられると、不均一なアンサンブルを生成することで、顕著なOOD検出が達成できることが示される。
CokeDは、古典的およびCLIPベースのOOD検出方法と比較して、最先端のパフォーマンスとロバスト性の向上を実現している。
論文 参考訳（メタデータ） (2025-07-30T11:02:38Z) - Detecting OOD Samples via Optimal Transport Scoring Function [5.093257685701887]
本稿では,OOD検出のための最適輸送理論OTODに基づく新しいスコア関数を提案する。
我々は,各試験試料のOODスコアを計算するために,特徴量,ロジット,ソフトマックス確率空間からの情報を利用する。
実験の結果,この情報を組み合わせることで,OTODの性能を一定のマージンで向上させることができることがわかった。
論文 参考訳（メタデータ） (2025-02-22T06:37:18Z) - CLIPN for Zero-Shot OOD Detection: Teaching CLIP to Say No [12.869519519172275]
Out-of-distriion (OOD) 検出とは、入力画像が未知のクラスから来ているかどうかを分類するために、そのモデルをIn-distriion (ID)データセットでトレーニングすることである。
本稿では,CLIP内でのNoを論理的に活用する新しい手法であるCLIP saying noを提案する。
論文 参考訳（メタデータ） (2023-08-23T15:51:36Z) - A framework for benchmarking class-out-of-distribution detection and its
application to ImageNet [15.929238800072195]
本稿では,画像分類器のクラスアウト・オブ・ディストリビューション・インスタンス検出能力のベンチマークを行う新しいフレームワークを提案する。
我々はこの手法をImageNetに適用し、ImageNet-1k分類器として525の事前訓練と公開を行った。
論文 参考訳（メタデータ） (2023-02-23T09:57:48Z) - Improving Zero-shot Generalization and Robustness of Multi-modal Models [70.14692320804178]
CLIPやLiTのようなマルチモーダルな画像テキストモデルは、画像分類ベンチマークで顕著な性能を示している。
本研究は,この性能差の原因を考察し,テキストプロンプトの曖昧さによる障害事例の多くが原因であることを示す。
本稿では,WordNet階層を用いて,不確実な画像の精度を向上させるための簡易かつ効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-12-04T07:26:24Z) - A knee cannot have lung disease: out-of-distribution detection with
in-distribution voting using the medical example of chest X-ray
classification [58.720142291102135]
この研究では、胸部X線分類モデルであるCheXnetを用いて、胸部X線14データセットをトレーニングした。
複数ラベル分類のためのOODデータを検出するために,IDV(In-distriion voting)を提案する。
ID (chest X-ray 14) と OOD データ (IRMA と ImageNet) に基づいてトレーニングした IDV アプローチは,平均で3つのデータセットにわたる 0.999 OOD 検出 AUC を達成した。
論文 参考訳（メタデータ） (2022-08-01T18:20:36Z) - Introspective Deep Metric Learning for Image Retrieval [80.29866561553483]
良好な類似性モデルは、より堅牢なトレーニングのために曖昧なイメージをよりよく扱うように注意しながら、意味的な相違を考慮すべきである、と我々は主張する。
本稿では,画像の意味的特徴とあいまいさを記述した,意味的埋め込みだけでなく,付随する不確実性埋め込みを用いて画像を表現することを提案する。
提案したIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能向上を実現し,広く使用されているCUB-200-2011,Cars196,Stanford Online Productsデータセットの最先端結果を得る。
論文 参考訳（メタデータ） (2022-05-09T17:51:44Z) - DetCo: Unsupervised Contrastive Learning for Object Detection [64.22416613061888]
教師なしのコントラスト学習は,CNNを用いた画像表現学習において大きな成功を収めている。
我々は,グローバルイメージとローカルイメージパッチのコントラストをフルに検討する,DetCoという新しいコントラスト学習手法を提案する。
DetCoは1倍のスケジュールでMask RCNN-C4/FPN/RetinaNet上で1.6/1.2/1.0 APで教師付き手法を一貫して上回っている。
論文 参考訳（メタデータ） (2021-02-09T12:47:20Z) - Fixing the train-test resolution discrepancy: FixEfficientNet [98.64315617109344]
本稿では,複数のトレーニング手順を用いて,効率的なNet画像分類器の性能解析を行う。
FixEfficientNetと呼ばれる結果のネットワークは、同じ数のパラメータで初期アーキテクチャを著しく上回る。
論文 参考訳（メタデータ） (2020-03-18T14:22:58Z)
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。