探究上下文的多样性以实现密集型 “非分布式检测
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
本文提出了一种针对视觉分类中的开放世界场景中的数据分割问题的新方法,该方法能够训练出一个专门针对原始训练集以及更大的 “背景” 数据集的 ODD(出现在分布之外的异常值)检测模型,并在测试复杂自然图像的数据集中得到了优异的表现。
Aug, 2018
通过引入一种轻量级模块,利用熵量测、分割预测和空间上下文来表征分割模型的不确定性,从而实时检测像素级的极端数据,同时结合生成的合成极端数据进行最大熵训练,我们的方法可以可靠地检测场景中的极端实例,并在语义分割基准测试中表现卓越。
Oct, 2023
本文提出了一种基于组的 OOD 检测框架和一种新颖的 OOD 评分函数 MOS,通过将大语义空间分解成具有相似概念的小组,简化内部与外部数据之间的决策边界,从而使得面对高维度分类空间的场景下,我们的方法比以前的方法更为有效。在四个精心策划的 OOD 数据集上进行了评估,证明了 MOS 的性能优越,相比之前最好的方法,平均 FPR95 降低 14.33%,推理速度提高 6 倍。
May, 2021
深度学习在全景分割方面取得了显著进展,但是全景分割在存在分布外(OOD)对象的情况下受到严重影响。为了解决这个问题,我们提出了一种用于联合像素级语义内部分布和分布外分类的分割方法。我们基于 Panoptic 分割基准数据集 Cityscapes 和 BDD100K,扩展了具有分布外实例分割注释的数据集,并提出了合适的评估指标和多个强基线模型。重要的是,我们提出了新颖的 PoDS 架构,包括共享的主干网络、用于学习全局和局部 OOD 对象线索的 OOD 上下文模块,以及使用我们的对齐 - 不匹配策略的双对称解码器和任务特定头。结合我们的数据增强策略,这种方法有助于逐步学习分布外对象并保持内部分布性能。我们进行了大量评估实验证明我们提出的 PoDS 网络可以有效地解决主要挑战并显著优于基线模型。我们在此 http 链接上公开提供数据集、代码和训练好的模型。
Oct, 2023
本文定义三类 Out-of-Distribution Detection 的示例,并在医学图像的三个领域中对常见的方法进行基准测试。结果表明,尽管这些方法对某些类别的 OOB 样本产生良好结果,但它们未能识别接近训练数据分布的图像,作者发现简单的二元分类器在特征表示上具有最佳的平均精度和 AUPRC。
Jul, 2020
本文通过在不同的数据集上使用深度学习的方法,实现了以城市街道场景为基础的图像识别模型对于不同场景下的物体进行准确分类和目标检测,并且通过对于特征向量的提取和降维,成功实现了基于图像碎片的图像检索和分割。
May, 2020
本文提出了一种名为 ObsNet 的 OOD 检测体系结构,通过基于局部对抗攻击(LAA)的专用训练方案,实现了在速度和精度方面得到表现的最佳方法,解决了当前方法在实际应用中速度和精度快慢两难的问题。
Aug, 2021
本研究提出了第一个多尺度的 “模式”(MODE)框架,通过同时利用图像的全局视觉信息和局部区域细节来实现最大效益的外域检测。通过引入注意力机制和交叉尺度决策函数,MODE 在几个基准测试中表现出卓越的性能,平均可以在误报率上提高 19.24%、在 AUROC 上提高 2.77%。
Aug, 2023
通过对 20 种最先进的 OOD 检测方法进行大量实验,我们发现类标签噪声对 OOD 检测有重要影响,现有方法中错误分类的 ID 样本与 OOD 样本之间的差异较小是一个被忽视的限制。
Apr, 2024