Automatisches Lernen von Prompts mit nur normalen Proben für wenig-Schuss-Anomalieerkennung
Eine Methode zum automatischen Lernen von Prompts mit nur normalen Proben für die Anomalieerkennung in Wenig-Schuss-Szenarien.
Präzise Segmentierung von Objekten außerhalb der Verteilung für sichere Anwendungen
Unser Verfahren S2M wandelt Anomaliescores direkt in präzise Segmentierungsmasken für Objekte außerhalb der Verteilung um, ohne dass eine manuelle Schwellwertauswahl erforderlich ist.
Erkennung von anomalen oder außerhalb der Verteilung liegenden Daten in Sichtmodellen mithilfe statistischer Techniken
Wir untersuchen, ob die Abweichung der Bildstatistiken vom Benford'schen Gesetz widergespiegelt wird, wenn Bilder auf verschiedenen Ebenen korrupt sind. Unsere Ergebnisse zeigen, dass für viele Korruptionsarten Bilder, die auf einer höheren Ebene korrupt sind, typischerweise stärker von der erwarteten Verteilung abweichen.
Effizientes Lernen von Hyperbolic-Metriken zur Erkennung von visuellen Ausreißern
Dieser Artikel präsentiert einen Rahmen, der Hyperbolic-Geometrie nutzt, um die Leistung der Out-of-Distribution-Erkennung zu verbessern. Der Ansatz erzielt bessere Ergebnisse als herkömmliche Methoden, die auf euklidischer Geometrie basieren.
© 2024 by Linnk AI