PulseAugur
中
实时 07:42:48
English(EN) Your Data Is Not Perfect: Towards Cross-Domain Out-of-Distribution Detection in Class-Imbalanced Data

新的UASA网络解决了类别不平衡的跨域分布外检测问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一个名为不确定性感知自适应语义对齐（UASA）网络的新框架，以解决跨不同领域类别不平衡数据集中的分布外（OOD）检测这一复杂挑战。该方法旨在通过使用原型对齐源域和目标域数据来弥合域间差距，同时通过自适应阈值处理语义差异，并通过不确定性感知聚类来缓解类别不平衡。实验表明，UASA在具有挑战性的基准测试中显著优于现有的最先进方法。 AI

影响 引入了一种新颖的方法来提高复杂、现实场景中的分布外检测准确性。

排序理由 这是一篇详细介绍OOD检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的UASA网络解决了类别不平衡的跨域分布外检测问题

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Xiang Fang, Arvind Easwaran, Blaise Genest, Ponnuthurai Nagaratnam Suganthan ·

    您的数据并非完美：面向类别不平衡数据跨域非分布检测

    arXiv:2412.06284v3 Announce Type: replace Abstract: Previous OOD detection systems only focus on the semantic gap between ID and OOD samples. Besides the semantic gap, we are faced with two additional gaps: the domain gap between source and target domains, and the class-imbalance…

相关话题