Dual Conditioned Diffusion Models for Out-Of-Distribution Detection: Application to Fetal Ultrasound Videos

要約

分布外 (OOD) 検出は、トレーニング分布に属さないサンプルを検出することにより、機械学習モデルの信頼性を向上させるために不可欠です。
特定のタスクで OOD サンプルを効果的に検出することは、分布内 (ID) 内の実質的な不均一性と、ID クラスと OOD クラス間の高い構造類似性により、課題となる可能性があります。
たとえば、胎児超音波ビデオで心臓のビューを検出する場合、心臓と腹部などの他の解剖学的構造の間には高い構造的類似性があり、心臓には 5 つの異なるビューと各ビュー内の構造的変化があるため、分布内の分散が大きくなります。
この状況で OOD サンプルを検出するには、結果として得られるモデルを解剖学的構造内の変動に一般化し、同様の OOD サンプルを拒否する必要があります。
この論文では、再構成ベースの OOD 検出のために、分布内クラス情報と入力画像の潜在的な特徴に基づいてモデルを条件付けする二重条件付き拡散モデル (DCDM) を紹介します。
これにより、モデルの生成多様体が、分布内のものと構造的にも意味的にも同様の画像を生成するように制約されます。
提案されたモデルは、精度が 12% 向上し、精度が 22% 向上し、F1 スコアが 8% 向上し、基準手法よりも優れています。

要約(オリジナル)

Out-of-distribution (OOD) detection is essential to improve the reliability of machine learning models by detecting samples that do not belong to the training distribution. Detecting OOD samples effectively in certain tasks can pose a challenge because of the substantial heterogeneity within the in-distribution (ID), and the high structural similarity between ID and OOD classes. For instance, when detecting heart views in fetal ultrasound videos there is a high structural similarity between the heart and other anatomies such as the abdomen, and large in-distribution variance as a heart has 5 distinct views and structural variations within each view. To detect OOD samples in this context, the resulting model should generalise to the intra-anatomy variations while rejecting similar OOD samples. In this paper, we introduce dual-conditioned diffusion models (DCDM) where we condition the model on in-distribution class information and latent features of the input image for reconstruction-based OOD detection. This constrains the generative manifold of the model to generate images structurally and semantically similar to those within the in-distribution. The proposed model outperforms reference methods with a 12% improvement in accuracy, 22% higher precision, and an 8% better F1 score.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google