关键词out-of-distribution detection
搜索结果 - 257
- 合纵连横:关于数据转移和离群点检测的元分析
本文介绍了一种将离群分布检测评分无缝组合的通用方法,通过量化正态化将这些评分转化为 p 值,将问题转化为多变量假设检验,并使用元分析工具组合这些检验,从而得到具有巩固决策边界的更有效的检测器。通过实证研究,我们探索了不同类型的数据偏移对于数 - SeTAR:选择性低秩逼近的未知样本检测
SeTAR 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 - 利用扩散先验进行外部分布检测
利用扩散模型的生成能力和 CLIP 的强大特征提取能力,我们提出了一种新颖的 OOD 检测方法,通过使用这些特征作为扩散模型的条件输入,我们可以在使用 CLIP 进行编码后重建图像。原始图像与重建图像之间的差异被用作 OOD 识别的信号,我 - 重新思考外部分布检测的评估:索利斯悖论
本研究构建了一个名为 Incremental Shift OOD(IS-OOD)的基准,通过基于提出的语言对齐图像特征分解(LAID)的移位测量方法,将测试样本分成不同的子集,相对于 ID 数据集具有不同的语义和协变量移位程度,以解决当前存 - 灵活异方差计数回归与深度双泊松网络
神经网络可以准确地产生需要的、与输入相关的不确定性表示,这对现实世界的应用至关重要。最近在异方差连续回归方面取得的进展显示了在复杂任务(如图像回归)上进行校准的不确定性量化的巨大潜力。然而,当将这些方法应用于离散回归任务(如人群计数、评级预 - FOOD:基于短程 FMCW 雷达的面部识别和离群检测
本论文提出了一种基于短程 FMCW 雷达的面部认证和 ODD 检测框架,利用重建式架构结合卷积块、编码器解码器和线性编码器解码器部分,构建了准确的人脸分类器和强大的 ODD 检测器,实验结果表明该方法在常见的 ODD 检测指标上优于之前的方 - CVPR局势监测:使用发展集合架构的多样性驱动零样本外分布检测实现物体检测
引入了 Situation Monitor,一种用于增强自动驾驶等安全关键机器学习应用的基于 Transformer 的目标检测模型的零样本分布外(OOD)检测方法。该方法利用了多样性损失,通过集成架构,检测远样本和最小化接近样本的误报。此 - 持续无监督的外部分布检测
不断进行未标注 OOD 检测的新设置,使用融合 Mahalanobis 距离和最近邻方法的 U-OOD 评分函数,并设计了一种置信度缩放的少样本 OOD 检测器,大幅改善相关领域的强基准模型。
- 稠密连接是否有益于离群点检测?用 NAS 进行探索
我们提出了一种新颖的方法 Dense Connectivity Search of Outlier Detector (DCSOD),它通过使用神经架构搜索 (NAS) 和多视角特征学习进行演化蒸馏,自动探索了 CNN 架构的稠密连接,以实 - Action-OOD: 针对鲁棒性的端到端基于骨骼的模型用于非同分布人体动作检测
我们提出了一种新颖的端到端基于骨架的模型,称为 Action-OOD,用于识别人类动作中的 ODD,通过引入基于注意力的特征融合块和能量损失函数,我们的模型在识别未知类别的能力和分类准确性方面表现出了优越的性能。
- ECCVPixOOD:像素级异常检测
我们提出了一种名为 PixOOD 的密集图像预测的离群检测算法,它不需要对异常数据样本进行训练,也不针对特定应用程序,避免了传统训练偏差。我们提出了一种在线数据压缩算法,用于在像素级别建模类内数据的复杂内部类变异性,该算法比标准 K-mea - ICML如何以及何时进行内部分布标签支持外部分布检测?
本研究通过图论方法对数据表示进行谱分解,建立一种理论上对内部标签对外部数据检测性能的影响有较好界定的方法。实验结果验证了理论保证和观点,展示了内外标签对提高外部数据检测能力的条件。
- WeiPer:使用类别投影的权重扰动进行 OOD 检测
通过引入最后全连接层的类别投影的扰动,我们展示了这个简单的技巧可以提高多种方法的离群值检测性能,并提出了一种基于距离的方法来利用增强的 WeiPer 空间的属性。在 OpenOOD 框架的多个基准测试中,我们实现了最先进的离群值检测结果,特 - 重构识别领域外数据的关系
利用大型语言模型作为中介代理在 Out-of-distribution 检测任务中引入了一个新方法,称为 Concept Matching with Agent(CMA),通过使用中立的提示作为代理以增强 CLIP-based OOD 检测 - 数理推理中的离群检测的轨迹波动
提出了一种基于轨迹的方法 TV score,通过使用轨迹的波动性进行数学推理中的离群数据检测,实验证明该方法在数学推理场景下优于传统算法,并可扩展到输出空间具有高密度特征的更多应用,如多项选择题。
- 单一无条件扩散模型的外部分布检测
本文介绍了一种名为 Diffusion Paths(DiffPath)的方法,通过利用一个经过训练的单一扩散模型对无条件生成进行 ODD 检测,并引入了一种测量扩散路径变化率和曲率的新技术。实验表明,DiffPath 在涉及不同分布的各种 - 一个统一的方法用于主动学习和外域检测
SISOM is a unified solution that combines the strengths of active learning and out-of-distribution detection, achieving - 基于能量的 Hopfield Boosting 用于离群检测
采用先进的训练策略,利用辅助离群数据训练机器学习模型以改善在真实世界中的离群检测性能。通过引入 Hopfield Boosting 算法,利用现代 Hopfield energy (MHE) 技术加强了模型在内部分布数据和辅助离群数据之间的 - 具备光谱归一化联合能量的多标签离群检测
通过应用能量函数的理论概念和谱归一化方法,本研究提出了一种名为 SNoJoE 的能量函数,用于多标签异常检测任务,实验结果表明相对于先前方法,SNoJoE 在异常检测方面取得了显著改进,定义了该研究领域的新的最佳方法。
- 基于统计检验理论视角对于外域识别的观点
我们研究了在监督学习和无监督学习环境中在测试时高效检测超出分布(OOD)样本的问题。通过统计检测重新定义 OOD 问题,研究了在统计术语中使 OOD 问题可识别的条件,并在 Wasserstein 距离的基础上研究了 OOD 测试的收敛性保