Semantic Novelty Detection via Relational Reasoning

要約

意味的新奇性検出は、テストデータ中の未知のカテゴリを発見することを目的としている。このタスクは、自律走行やヘルスケアなど、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な、セーフティクリティカルなアプリケーションに特に関連しています。深層学習の研究は目覚ましく進歩していますが、既存のモデルでは、未知のものを認識するために、既知のカテゴリに関する微調整段階が依然として必要です。これは、プライバシー規則によってデータアクセスが制限されている場合や、メモリや計算機の制約が厳しい場合（例：エッジコンピューティング）には、禁止される可能性があります。我々は、カスタマイズされた表現学習戦略が、効果的かつ効率的な意味的新規性検出のための正しい解決策になりうると主張する。この課題に対する最新のアプローチを広範囲にテストすることに加え、我々は関係推論に基づく新しい表現学習パラダイムを提案する。これは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重点を置く。我々の実験は、この知識が幅広いシナリオに直接移行可能であり、閉集合認識モデルを信頼性の高い開集合認識モデルに変換するためのプラグアンドプレイモジュールとして利用できることを示している。

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, DeepL