Semantic Novelty Detection via Relational Reasoning

要約

セマンティックノベルティ検出は、テストデータ内の未知のカテゴリを発見することを目的としています。
このタスクは、自動運転やヘルスケアなどのセーフティクリティカルなアプリケーションに特に関係があります。このアプリケーションでは、展開時に未知のオブジェクトを認識し、それに応じてユーザーに警告を発することが重要です。
深層学習研究の目覚ましい進歩にもかかわらず、既存のモデルは、未知のカテゴリを認識するために、既知のカテゴリの微調整段階が必要です。
これは、プライバシールールがデータアクセスを制限している場合、または厳密なメモリと計算上の制約（エッジコンピューティングなど）の場合には、法外なものになる可能性があります。
調整された表現学習戦略は、効果的かつ効率的なセマンティックノベルティ検出のための適切なソリューションである可能性があると主張します。
このタスクの最先端のアプローチを広範囲にテストすることに加えて、リレーショナル推論に基づく新しい表現学習パラダイムを提案します。
既知のカテゴリを認識するのではなく、意味的類似性を測定する方法を学習することに焦点を当てています。
私たちの実験は、この知識が幅広いシナリオに直接伝達可能であり、プラグアンドプレイモジュールとして利用して、閉集合認識モデルを信頼できる開集合モデルに変換できることを示しています。

要約(オリジナル)

Semantic novelty detection aims at discovering unknown categories in the test data. This task is particularly relevant in safety-critical applications, such as autonomous driving or healthcare, where it is crucial to recognize unknown objects at deployment time and issue a warning to the user accordingly. Despite the impressive advancements of deep learning research, existing models still need a finetuning stage on the known categories in order to recognize the unknown ones. This could be prohibitive when privacy rules limit data access, or in case of strict memory and computational constraints (e.g. edge computing). We claim that a tailored representation learning strategy may be the right solution for effective and efficient semantic novelty detection. Besides extensively testing state-of-the-art approaches for this task, we propose a novel representation learning paradigm based on relational reasoning. It focuses on learning how to measure semantic similarity rather than recognizing known categories. Our experiments show that this knowledge is directly transferable to a wide range of scenarios, and it can be exploited as a plug-and-play module to convert closed-set recognition models into reliable open-set ones.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google