阈值式新颖检测的持续改进
本文提出了一种基于生成式对抗网络的端到端架构,用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题,其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明,该方法有效地学习了目标类,并优于基线和最先进的方法。
Feb, 2018
本文针对深度神经网络在检测新颖性或异常性时容易受到输入数据微小变形的问题,提出了一个旨在学习强大的新颖性检测正确性的先验;同时,将该先验与最先进的新颖性检测方法相结合,并评估了该方法在攻击存在与否的情况下的性能表现,得到了较好的结果。
Jun, 2023
论文理论证明了,对于 class incremental learning 来说,out-of-distribution detection 实际上是必需的。因此,一个好的 class incremental learning 算法必须要同时具备良好的 within-task prediction 和 out-of-distribution detection 能力,这将统一 novelty 或 out-of-distribution detection 以及 continual learning.
Apr, 2023
研究了一种基于层次分类框架的、更加信息化的新颖性检测方案,该方案可以使用置信校准分类器和数据重新标记等方法,找到一个新类的最接近的超级类,并为其他常用语义嵌入提供了改进的泛化零 - shot 学习性能。
Apr, 2018
本论文提出了一种新的方法,通过投票机制结合分类器的不确定度来测量新输入样本的新颖性,并且在 UCF-101 和 HMDB-51 数据集上取得了比最先进的方法更好的结果,在与零样本学习 (ZSL) 相结合的情况下,可以显著提高广义 ZSL 设置下的行动分类准确性。
Oct, 2018
本文提出了一种基于自监督的新颖性检测方法,通过计算入内分布数据(in-distribution)和待检测的外部分布数据(OOD)之间的梯度马氏距离,并借助自监督二元分类器协助选择标签以优化梯度的方法,将其应用于数据监控、行为分析和其他应用,并在多个数据集上实现了比基准方法更优秀的结果。
Dec, 2021
提出了一种新颖的以物体为基础的新颖性检测 (Object-based Novelty Detection, ND) 框架,该框架假设可以在预测的输出上请求人类反馈,并将其后续整合以改进新颖性检测模型,而不会对主要的物体检测性能产生负面影响。通过在预训练的物体检测模型之上添加一个轻量级的 ND 模块,并通过反馈循环进行增量更新,有效地解决了此新颖性检测问题的新形式。此外,还提出了一种新的基准来评估在这种新设定下的方法,并通过与基线方法的广泛测试,展示出增加的鲁棒性和成功融合收到的反馈。
Nov, 2023
通过使用基于生成式对抗网络的方法,我们提出了一种用于同时分类和新颖性检测的多分类判别器,通过从名义和新颖的数据分布混合中生成样本,对于新颖性检测具有最优性能,并且实验结果表明,该方法优于传统方法。
Feb, 2018