ICCVJul, 2021

标准化最大对数值：一种简单而有效的方法用于在城市场景分割中识别意外的路障

PDF
TL;DR提出一种有效地通过标准化预训练模型的最大日志值来检测未预期对象的方法，不需要训练额外的网络或使用外部数据集，该方法在公共数据集上实现了最新技术的最好表现。
发现论文，激发创造
  • 自动驾驶感知减少过度自信的预测

    本文探讨了基于概率的方式，采用已预训练网络的 Logit 层得分计算分布来进行物体识别，表明与 SoftMax 和 Sigmoid 相比，最大似然和最大后验函数更适合进行这种概率化解释，实现了良好的性能和可解释性。同时，由于这种方法可以在现有训练好的网络上实施，无需再进行训练。

    Feb, 2022

  • 区分最大化损失：通过替换损失和校准来有效地提高越界检测和不确定性估计

    该论文提出了使用 DisMax 损失训练确定性神经网络的方法，提高了分类准确度、样本在分布内和外的识别能力和不确定性估计，同时还保持了神经网络的推理效率。

    May, 2022

  • 通过后续逻辑归一化和温度缩放改善深度神经网络的选择分类表现

    本文介绍了一种简单高效的后验置信度估计器 - $p$-NormSoftmax，它可以大幅提高预训练模型的选择性分类性能，并在实验中证明了此方法的有效性。

    May, 2023

  • 基于卷积神经网络 ML-MAP 层的概率目标分类

    本论文提出了一种基于概率的卷积神经网络方法，采用 Logit 层中计算的分布来减少 SoftMax 层中过于自信的预测，从而实现贝叶斯推断，实验结果表明，该方法在目标分类任务中表现良好。

    May, 2020

  • 语义分割中的 OOD 检测的熵最大化和元分类

    本研究提出了一种改进基于像素 softmax 熵的方法的两步流程，通过引入第二个训练目标，最大化对不同数据集的 softmax 熵，并利用手工创造的 Metric 从 softmax 概率得出透明的后处理步骤来降低误检率，从而提高深度神经网络的 OoD 检测性能。

    Dec, 2020

  • 基于未知客体得分的道路障碍物检测

    通过将物体检测方法与像素级异常检测方法相结合，实现了对未知物体的稳定性检测，并通过整合物体性分数和未知物体性分数提出了一种新的异常分数，称为未知物体性分数。当应用于公开可用的数据集时，定量评估结果表明该方法优于现有方法。

    Mar, 2024

  • MANO：利用矩阵范数在分布偏移下进行无监督准确度估计

    我们提出了一种基于 logits 的方法 MaNo，通过对 logits 进行数据依赖的归一化来减少预测偏差，并将归一化 logits 的矩阵的 Lp 范数作为评估分数，我们在多个架构上进行了广泛的实证研究并证明 MaNo 在合成、自然或亚种群变化下实现了最先进的性能。

    May, 2024

  • ExCeL : 组合极值与集体逻辑信息以增强离群检测

    使用 ExCeL 模型结合极端信息和集合信息，提高了在预测时对于认知外数据（OOD）检测的准确性，并在 CIFAR100 和 ImageNet-200 数据集上实现了最佳性能。

    Nov, 2023

  • 基于 Softmax 概率聚合离散度测量的语义分割预测误差元分类检测

    该论文提出了一种基于离散度量的语义分割网络预测质量的评估方法，并在自动驾驶和医疗成像等领域进行了实验验证，结果表明该方法的预测具有更高的准确性和可靠性。

    Nov, 2018

  • 边界加权的逻辑一致性提高了分割网络校准

    本文提出一种基于随机转换的正则化方法，通过对训练数据中标签模糊的像素进行空间变化保持，来提高神经网络的预测准确性，实现前列腺和心脏 MRI 图像分割的最佳校准。

    Jul, 2023