Jihoon Hong, Alireza Kheirandish, Rohan Sanda, Sara Fridovich-Keil · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31538 · open-access PDF
يتم تحديد المناطق المنخفضة أو خارج التوزيع (OOD) داخل صورة (ID) في التوزيع غير المنخفضة. تم تصميم معظم الأساليب الحالية لمواقع محددة، مع التركيز القوي على تحديد الأخطاء الصناعية، حيث تكتسب أداءً رائعاً على المعايير المنصوص عليها بشكل جيد. ومع ذلك، نرى أن هذه الأساليب يمكن أن تظهر انخفاضات كبيرة في الأداء في سياقات أخرى، خاصة عندما تكون التوزيع الداخلي متعددة الأطياف. لتقييم هذه المعقدة، نقدم LACToS، نموذجاً أساسياً لتحديث OOD المحلي.
Machine translation (Meta M2M100); the English original follows.
Local anomaly detection is the task of identifying spatially confined anomalous or out-of-distribution (OOD) regions within an otherwise in-distribution (ID) image. Most existing methods are designed for a specific context, with a strong focus on industrial defect detection, where they achieve excellent performance on well-established benchmarks. However, we observe that these methods can exhibit significant performance drops in other contexts, especially when the inlier distribution is multimodal. To account for this inlier complexity, we propose LACToS, a principled local OOD detection metho
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31538, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange