Jun, 2024

SeTAR：选择性低秩逼近的未知样本检测

PDF
TL;DRSeTAR 是一种基于选择性低秩逼近视觉 - 语言和仅视觉模型的训练免费的异常检测方法，通过使用简单的贪婪搜索算法通过后期修改模型的权重矩阵来增强异常检测性能。在 ImageNet1K 和 Pascal-VOC 基准测试上的大量评估结果显示，SeTAR 表现出优越的性能，在将假阳性率降低了多达 18.95% 和 36.80% 的情况下，与零样本和微调基线相比。消融研究进一步验证了我们方法的有效性、鲁棒性和在不同模型背景下的通用性。我们的工作为 OOD 检测提供了一种可扩展、高效的解决方案，树立了这一领域的最新业界标准。
发现论文，激发创造
  • 一种简单的测试时间方法用于识别非分布检测

    本文提出了一种基于线性回归的测试时间训练方法，将输入图像的特征与其推断出的异常检测 (OOD) 分数进行配对，并在实现更精确的 OOD 检测上取得了很好的效果。

    Jul, 2022

  • 探索识别非分布极限

    该研究论文表明，大规模预训练的 transformers 网络可以显著提高深度神经网络在接近 out-of-distribution 检测上的性能，包括基于图像和基因组学数据的任务，并探索了利用少量样本进行 outlier exposure 及为该类任务提供名称信息的方法。

    Jun, 2021

  • 梯度正则化的离群样本检测

    利用损失函数的梯度信息进行训练，实现神经网络在离分布数据上的检测，并通过能量采样方法提高模型性能。

    Apr, 2024

  • 基于 Transformer 的卫星载荷处理遥感图像的低秩适应

    该研究论文提出了一种基于参数高效微调技术的低秩适应模块（LoRA）方法，通过训练低秩矩阵参数并将其与原模型的权重矩阵相乘和相加，从而微调模型参数以适应新的数据分布，实现了几乎全微调效果的模型性能提升，并加速模型训练迭代和提高定向目标检测模型的泛化性与鲁棒性。

    Jun, 2024

  • RODD: 自监督方法用于强健的越界检测

    该论文提出了一种简单且有效的基于自我监督对比学习的无关数据集的广义异常检测方法，该方法在一系列基准数据集上的表现优于现有技术，特别是在 CIFAR-100 数据集上的假阳性率（FPR@95）比 SOTA 方法低了 26.97％。

    Apr, 2022

  • GROD：利用外部分布检测增强 Transformer 的泛化性能

    基于 OOD 检测的 Generate Rounded OOD Data (GROD) 算法通过惩罚 OOD 数据的错误分类和生成合成异常值来增强 Transformer 网络在各种任务上的泛化性能，并在不同数据类型的 NLP 和 CV 中的各种 OOD 检测任务中达到了 SOTA 水平。

    Jun, 2024

  • 全谱外部分布检测的似然感知语义对齐

    提出一种称为 Likelihood-Aware Semantic Alignment（LSA）的框架，以促进图像和文本的对应关系，针对全谱带外分布检测进行语义相关性的调整，并在复杂的领域转换中适应性地识别有正常分布的样本。

    Dec, 2023

  • 通过学习本地对抗攻击进行语义分割中的异常检测

    本文提出了一种名为 ObsNet 的 OOD 检测体系结构，通过基于局部对抗攻击（LAA）的专用训练方案，实现了在速度和精度方面得到表现的最佳方法，解决了当前方法在实际应用中速度和精度快慢两难的问题。

    Aug, 2021

  • 贝叶斯不确定性估计在离域物体检测中的应用

    基于预训练网络的提出高斯分布，通过权重参数抽样区分正常数据和超出分布的数据，证明我们的贝叶斯目标检测器在 BDD100k 和 VOC 数据集上的训练，并在 COCO2017 数据集上的评估中通过降低 FPR95 分数最多 8.19％和增加 AUROC 分数最多 13.94％来实现了令人满意的超出分布的辨别性能。

    Oct, 2023

  • ATTA：面向分割领域中的异常感知测试时间适应

    本研究提出了一种双层离群分布检测框架，可同时处理领域漂移和语义漂移，通过全局低层特征和密集高层特征图来区分领域漂移和语义漂移，并能够选择性地调整模型以适应未知领域，并提高在检测新类别方面的效果。在多个离群分割基准测试中验证了所提出方法的有效性，包括存在显著领域漂移和不存在领域漂移的情况下，观察到各种基准模型的持续性性能改进。

    Sep, 2023