【分布外检测】《Self-Supervised Learning for Generalizable Out-of-Distribution Detection》 AAAI‘20

最新推荐文章于 2024-06-04 19:43:15 发布
最新推荐文章于 2024-06-04 19:43:15 发布
阅读量487 收藏 1
点赞数
分类专栏： 论文解读 分布外检测 CV 文章标签： 深度学习 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yanguang1470/article/details/122624717
版权

这篇文章把自监督学习用在OOD检测上。训练过程分两步，在有标签的ID数据上有监督学习，在无标签的OOD数据上自监督学习，目的是在最小的模型改动下让模型学会“拒绝”为OOD数据分类。

额外节点+两步训练

为模型的最后一层添加额外的节点，使其包含 k k k个拒绝分类，即模型从原来的 n n n分类模型变为 n + k n+k n

最低0.47元/天 解锁文章
chad_lee
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
一文搞懂异常检测中离群、异常、新类、开集、分布外检测异同
迈微AI研习社 · 号主
10-27 568
你是否也曾迷惑于「离群检测，异常检测，新类检测，开集识别，分布外检测」之间错综复杂的关系？你是否也想要解决开放世界的问题却不知道从哪个任务入手？不知道利用什么方法解决问题？这篇最新综述将让你对开放世界领域有全新的认识！
【论文笔记】Out-of-Distribution Detection using Combination of Feature Uncertainty and Mahalanobis
wufen_的博客
02-18 2410
Fine-Grained Out-of-Distribution Detection of Medical Images using Combination of Feature Uncertainty and Mahalanobis Distance 论文速读
Out-of-Distribution Detection with Semantic Mismatch under Masking 论文阅读
Jcyoung 的博客
08-14 548
使用基于 mask 机制以及语义级别不匹配来检测 OOD 样例
Generalized Out-of-Distribution Detection: A Survey
最新发布
布灵布灵
06-04 805
注意这种方式与信心校准不同，它采用了更温和的T，而校准更关注表达ID样本真实的正确概率，ODIN的评分最大化了ID和OOD样本之间的差异，可能从预测信心的角度看不再有意义。与众不同的是，它产生具有指定置信水平的预测区间，超越了单纯点估计的局限性。在OOD检测的场景中，适形预测框架变得特别有见地：由适形预测方法生成的更宽的预测区间或更低的置信水平可以作为OOD数据的指标。在多类别设定下，典型的OOD检测是开集识别问题（第4节），在类别空间Y中精确分类分布内的测试样本，并且丢弃语义不被Y所支持的分布外样本。
Talk预告 | 悉尼科技大学澳大利亚人工智能研究所讲师方震：广义分布外检测的学习理论
TechBeat人工智能社区博客
02-21 480
北京时间2月22日(周三) 20:00，准时开播！
《预训练周刊》第28期：M6-10T：高效多万亿参数预训练的共享去链接范式、大模型自然语言处理的最新进展综述...
BAAIBeijing的博客
11-18 396
No.28智源社区预训练组预训练研究观点资源活动关于周刊本期周刊，我们选择了11篇预训练相关的论文，涉及模型训练、图像编码、气候文本、对比学习、文本生成评估、小样本学习、决策推理、胚胎突变...
重磅综述！离群_异常_新类检测？开集识别？分布外检测？一文搞懂其间异同！...
阿木寺的博客
10-24 1111
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达作者：MMLab@NTU导语：你是否也曾迷惑于“OD/AD/ND/OSR/OOD Detection”之间错综复杂的关系...
Self-labeled-techniques-for-semi-supervised-learning
05-15
标签中提到的"self-labeled"指的是自标记的过程，"semi-supervised-learning"表示半监督学习的场景，"tri-training"则是三重训练算法，"self-training"则对应自我训练方法。 项目报告可能涵盖了以下内容： 1. **...
Self-supervised Graph Learning for Recommendation
12-20
在推荐系统领域，自监督学习（self-supervised learning）已经成为一种新兴的研究焦点，尤其是在结合图学习（graph learning）的情况下。自监督学习的核心思想是利用数据自身的信息来构建监督信号，而不是依赖于人工...
Contrastive Self-supervised Learning for Graph Classification
12-20
Contrastive Self-supervised Learning for Graph Classification 在图分类问题中， Contrastive Self-supervised Learning（对比自监督学习）是一种有效的方法，它可以解决图分类模型中的过拟合问题。该方法通过在...
Pareto Self-Supervised Training for Few-Shot Learning.pdf
11-17
Pareto Self-Supervised Training for Few-Shot Learning 针对小样本学习的帕累托自监督训练
SS-SFDA-Self-Supervised-Source-Free-Domain-Adaptation-for-Road-Segmentation-in-Hazardous-Environme:论文“ SS SFDA”的代码库
04-12
title={SAfE: Self-Attention Based Unsupervised Road Safety Classification in Hazardous Environments}, author={Kothandaraman, Divya and Chandra, Rohan and Manocha, Dinesh}, journal={arXiv preprint ...
Out-of-Distribution Detection for Generalized Zero-Shot Action Recognition
bxg1065283526的博客
07-19 2653
Abstract Generalized zero-shot action recognition is a challenging problem, where the task is to recognize new action categories that are unavailable during the training stage, in addition to the se...
Out-of-distribution Detection系列专栏（二）
qq_36478718的博客
01-11 7920
OOD Detection系列专栏（二）：Max-Softmax baseline
CVPR21-无监督异常检测《CutPaste:Self-Supervised Learning for Anomaly Detection and Localization》
要相信光
08-11 3973
文章目录原文地址论文阅读方法初识相知核心技术理论分析实验分析回顾开源代码（非官方） 原文地址 待补充 论文阅读方法 三遍论文法 初识 本文主要提出了一个新的增广方法“CutPaste”，并基于此方法提出了一个两阶段的无监督异常检测方法，① 构建分类器区分正常样本与异常样本，作为代理任务（proxy task）学习特征表示；② 根据训练好的网络提取特征，用于检测异常。此方法在MVTec数据集上表现达到新SOTA(检测任务96.6AUC，定位任务96AUC)。 CutPaste：从图像中随机剪切一个块区域，
CutPaste Self-Supervised Learning for Anomaly Detection and Localization
一只科研的向光
03-25 1963
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 用于异常检测和定位的自监督学习 简洁版 问题：异常的检测和定位 现有工作不足： ​ 现有的工作主要关注以对象为中心的自然图像中的检测语义异常值，这种方式在检测细粒度异常方面，没有很好的通用性 ​ 现有工作的中数据增强的方式（旋转预测，对比）对检测局部缺陷来说是次优的 **解决问题的挑战: ** 很难获取大量异常数据 缺陷很小且细微 精确定位缺陷是一个挑战，很难
CutPaste Self-Supervised Learning for Anomaly Detection and Localization阅读笔记
weixin_43540533的博客
04-26 1534
CutPaste Self-Supervised Learning for Anomaly Detection and Localization阅读笔记 Abstract 为了建立高性能的缺陷检测模型，提出一个两阶段框架，只用正常训练数据来构建异常检测器，首先学习自监督深度表示，然后在表示上构建一个生成的单分类器。通过对剪切粘贴中的正常数据进行学习表示，剪切粘贴是一种简单的数据增强策略，对大图像进行随机位置粘贴。直接训练提高了3.1AUCs，在imageNet上对预训练模型进行迁移学习，达到了SOTA 96
正则多关键字_今日论文|清华：多视图远程关系抽取&谷歌：深度核分类层&NLP领域持续学习综述&用于可靠文本分类的掩码关键字正则化&MORE...
weixin_39583623的博客
12-19 2356
12月18日人工智能领域新增论文267篇，AI日读精选其中79篇推荐给大家。这些论文主要来自AAAI，BIBM，COLING，CVPR，Computational Intelligence，ECIR，EMNLP，Evolutionary Computation，ICRA，IJCV，Information Systems，NeurIPS，WACV等会议与期刊。其中包含计算机视觉论文28篇[...
帮我讲解总结一下Self-Supervised Learning for Recommender Systems: A Survey这篇论文
02-22
答：本文提出了一种基于自监督学习的推荐系统，它可以提取用户和物品之间的关系，以更准确地预测用户的需求。它可以构建具有最佳性能的推荐系统，可以更好地满足用户的社交和娱乐需求。它使用机器学习算法来构建推荐...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值