Out-of-Distribution Detection Without Class Labels

要約

分布外検出は、ノベルティ、標準から逸脱したサンプルを特定しようとします。
このタスクは、特に通常のデータ分布が複数のセマンティック クラス (複数のオブジェクト カテゴリなど) で構成される場合に、非常に困難であることがわかっています。
この課題を克服するために、現在のアプローチでは、トレーニング中に提供される通常の画像を手動でラベル付けする必要があります。
この作業では、クラス ラベルを使用しないマルチクラスのノベルティ検出に取り組みます。
シンプルだが効果的なソリューションは 2 つの段階で構成されます。まず、教師なしクラスタリングを使用して「疑似クラス」ラベルを検出します。
次に、これらの疑似クラス ラベルを使用して、標準の教師あり分布外検出方法を使用できます。
最先端技術との有利な比較によってメソッドのパフォーマンスを検証し、広範な分析とアブレーションを提供します。

要約(オリジナル)

Out-of-distribution detection seeks to identify novelties, samples that deviate from the norm. The task has been found to be quite challenging, particularly in the case where the normal data distribution consists of multiple semantic classes (e.g., multiple object categories). To overcome this challenge, current approaches require manual labeling of the normal images provided during training. In this work, we tackle multi-class novelty detection without class labels. Our simple but effective solution consists of two stages: we first discover ‘pseudo-class’ labels using unsupervised clustering. Then using these pseudo-class labels, we are able to use standard supervised out-of-distribution detection methods. We verify the performance of our method by a favorable comparison to the state-of-the-art, and provide extensive analysis and ablations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google