Feb, 2024

集成不确定性与负对象性的异常点检测

PDF
TL;DR在具有监督的视觉识别的安全关键应用中，离群点检测是一项至关重要的能力。本文提出一种新颖的方法，将异常分数定义为内部不确定性与离群类别的后验的集合，从而实现离群点的独立检测。该方法嵌入到一个密集预测架构中，并在 K+2 个类别上进行掩膜级别识别。通过训练过程，鼓励第 K+2 个类别在负面实例中学习负性关注度。我们的模型在标准基准上表现优于当前最先进的图像全局和像素级离群点检测方法，无论是否在真实负面数据上进行训练。
outlier detectionsupervised visual recognitionanomaly scorenegative objectnessdense prediction architecture
发现论文，激发创造
  • 基于训练嘈杂负图片的密集异常检测和开放式识别

    本文提出了一种基于密集预测的异常检测方法，利用广泛而多元的通用数据集作为负样本，通过在内部训练图像上叠加负补丁来鼓励模型识别已知和未知之间的边界。在三个密集开放识别基准数据集上得到了有竞争力的实验结果。

    Jan, 2021

  • Few-shot 目标检测中负信息恢复

    本研究关注于少样本目标检测的应用，旨在恢复少样本目标检测中缺失信息。通过引入新的正负样本代表和基于度量学习的框架，建立模型以提高状态最优的准确性。

    Oct, 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

  • 贝叶斯不确定性估计在离域物体检测中的应用

    基于预训练网络的提出高斯分布，通过权重参数抽样区分正常数据和超出分布的数据，证明我们的贝叶斯目标检测器在 BDD100k 和 VOC 数据集上的训练，并在 COCO2017 数据集上的评估中通过降低 FPR95 分数最多 8.19％和增加 AUROC 分数最多 13.94％来实现了令人满意的超出分布的辨别性能。

    Oct, 2023

  • 基于分位数最大似然训练的异常检测

    通过量化分位数的最大似然目标为学习内点分布并改善稀有点分离，我们的方法使用训练好的判别特征适应一个标准化流，并根据评估的对数似然检测稀有点。通过实验评估，我们的方法表现优于现有的无监督方法，并与最近的自监督方法竞争。我们的工作能减少对充分负样本训练数据的依赖，尤其对医学诊断或遥感等领域具有重要意义。

    Aug, 2023

  • 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

  • 正负样本不平衡问题下的目标检测

    本研究提出了一种基于正无标记问题的方案可以解决目标检测中标注缺失的问题，并在 PASCAL VOC 等数据集中实现了更好的结果。

    Feb, 2020

  • 利用自监督排除分类器集合进行的外分布检测

    本论文提出一种基于深度学习和分类器集成的方法，通过独特的基于边界的损失函数来可靠地检测出分布外数据，同时在超过一些 OOD 检测基准上明显优于现有算法。

    Sep, 2018

  • 通过学习合成负数据进行实时密集异常检测

    本文研究基于生成建模或负数据训练的判别方法的密集异常检测方法。提出一种联合训练的生成流，通过在正常分布边缘处采样合成负样本来学习混合方法，并分析训练合成负样本的影响。研究表明，基于能量的密度可以在训练和评估过程中促进模型性能的提升。

    May, 2023

  • 基于合成负样本的鲁棒学习密集型异常检测

    通过使用正则化流技术生成合成负面样本以及基于信息论准则来检测异常，可以提高密集预测任务中对混乱和异常值的鲁棒性，并在标准基准和数据集上获得最新的性能。

    Dec, 2021