Zero-shot Object-Level OOD Detection with Context-Aware Inpainting

要約

機械学習アルゴリズムは、学習データにアクセスすることなく、ブラックボックス化されたクラウドサービスや事前に訓練されたモデルとして提供されることが多くなっている。これは、ゼロショット分布外（OOD）検出の問題を動機づける。具体的には、分類器のラベルセットに属さず、誤って分布内（ID）オブジェクトに分類されたOODオブジェクトを検出することを目的とする。我々のアプローチであるRONINは、検出されたオブジェクトをインペインティングで置き換えるために、既製の拡散モデルを用いる。RONINは、予測されたIDラベルを用いてインペインティング処理を条件付け、入力オブジェクトを分布内領域に近づける。その結果、再構成されたオブジェクトは、IDのケースではオリジナルに非常に近く、OODのケースでは遠くなり、RONINはIDサンプルとOODサンプルを効果的に区別することができる。広範な実験を通して、我々は、RONINが、ゼロショットと非ゼロショットの両方の設定において、いくつかのデータセットにおいて、従来のアプローチと比較して競争力のある結果を達成することを実証する。

要約(オリジナル)

Machine learning algorithms are increasingly provided as black-box cloud services or pre-trained models, without access to their training data. This motivates the problem of zero-shot out-of-distribution (OOD) detection. Concretely, we aim to detect OOD objects that do not belong to the classifier’s label set but are erroneously classified as in-distribution (ID) objects. Our approach, RONIN, uses an off-the-shelf diffusion model to replace detected objects with inpainting. RONIN conditions the inpainting process with the predicted ID label, drawing the input object closer to the in-distribution domain. As a result, the reconstructed object is very close to the original in the ID cases and far in the OOD cases, allowing RONIN to effectively distinguish ID and OOD samples. Throughout extensive experiments, we demonstrate that RONIN achieves competitive results compared to previous approaches across several datasets, both in zero-shot and non-zero-shot settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL