BAM: 盒子抽象监测对象检测中的实时 OoD 检测

Mar, 2024

BAM: 盒子抽象监测对象检测中的实时 OoD 检测

BAM: Box Abstraction Monitors for Real-time OoD Detection in Object Detection

Changshun Wu, Weicheng He, Chih-Hong Cheng, Xiaowei Huang, Saddek Bensalem

TL;DR该论文提出了一种简单而出乎意料地有效的方法，称为基于盒子抽象的监视器（BAM），用于将离群数据检测集成到物体检测深度神经网络中，通过使用一组凸盒子对学习到的对象特征进行捕捉，并利用凸盒子之外的特征确定离群数据。将 BAM 集成到基于 Faster R-CNN 的物体检测深度神经网络中，实验证明其在离群数据检测方面相比最先进的方法有显著的性能提升。

Abstract

Out-of-distribution (OoD) detection techniques for deep neural networks (DNNs) become crucial thanks to their filtering of abnormal inputs, especially when DNNs are used in safety-critical applications and interact with an open and dynamic environment. Nevertheless, integrating OoD det

out-of-distribution detection deep neural networks object detection box abstraction-based monitors faster r-cnn

发现论文，激发创造

拓展域检测不是你所需要的全部

本文讨论了深度神经网络在安全临界系统中的应用，提出了基于模型范围的监控方法，并与常用的基于数据范围的监控方法进行了比较，证明了前者具有更高的有效性，并发现删除错误训练数据样本可以帮助更好地训练监控。

Nov, 2022

AABO: 基于贝叶斯子采样的适应锚框优化目标检测

本文研究了自动优化目标检测锚点的问题，提出了一种结合贝叶斯优化和子采样方法的新型超参数优化方法 AABO，已在不同的检测器和数据集上进行了实验，并证明了通过优化锚点配置可提高 1.4% 至 2.4% 的最大平均精度（mAP），如将 Mask RCNN 从 40.3% 提高到 42.3%，HTC 检测器从 46.8% 提高到 48.2%。

Jul, 2020

DOOBNet：图像深度目标遮挡边界检测

本文提出了一种 Attention Loss 函数结合多任务深度对象遮挡边界检测网络，并采用编码器 - 解码器结构，通过共享卷积特征来同时预测对象边界和遮挡方向，大幅度提高了 PIOD 数据集和 BSDS 拥有数据集上的检测速度（每图像 0.037s）并显著超过了之前的最优结果（ODS F 分数分别为 0.702 和 0.555）。

Jun, 2018

局势监测：使用发展集合架构的多样性驱动零样本外分布检测实现物体检测

引入了 Situation Monitor，一种用于增强自动驾驶等安全关键机器学习应用的基于 Transformer 的目标检测模型的零样本分布外（OOD）检测方法。该方法利用了多样性损失，通过集成架构，检测远样本和最小化接近样本的误报。此外，使用得到的 Diversity-based Budding Ensemble Architecture（DBEA）提高了模型的 OOD 性能，并改善了置信度得分的校准，特别是关于检测到的对象的交集。与普通模型相比，DBEA 模型减少了 14% 的可训练参数，从而在不影响模型检测 OOD 实例和准确校准置信度得分的能力的情况下，大大提高了效率。

Jun, 2024

通过学习本地对抗攻击进行语义分割中的异常检测

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

一个统一的方法用于主动学习和外域检测

SISOM is a unified solution that combines the strengths of active learning and out-of-distribution detection, achieving top performance in benchmark evaluations.

May, 2024

瓶颈关注模块

本篇论文提出了一种名为 Bottleneck Attention Module（BAM）的简单有效的注意力机制，可嵌入任何前馈卷积神经网络中，并在 CIFAR-100、ImageNet-1K、VOC 2007 和 MS COCO 等基准测试中通过广泛实验验证了其在图像分类和检测性能上的一致提高。

Jul, 2018

BAOD: 预算感知目标检测

本文研究了基于预算限制的目标检测问题，提出了一种构建多样化和高信息量数据集的策略以及对其进行优化和混合监督式学习的方法，实验结果表明该方法在减少约 12.8% 的注释预算的同时能够实现 PASCAL-VOC 2007 数据集强监督探测器的性能

Apr, 2019

基于盒坐标匹配的特定物体检测与抓取的新型综合方法

为了更好地照顾老年人和残疾人，服务机器人需要具备一种有效的物体检测和抓取估计的融合方法。本文提出了一种基于盒子坐标匹配的特定物体的检测 - 抓取综合方法，通过改进 SOLOv2 实例分割模型和生成式残差卷积神经网络模型，结合盒子坐标匹配的综合算法，优化了物体检测和抓取估计模型，并在模拟平台上进行了实验验证其可行性和有效性。

Jul, 2023

朝着外部分布检测的现实基准

深度神经网络在各种技术和服务中得到越来越广泛的应用，但其容易受到来自训练集不同分布的样本的干扰，而常见的解决方法是使深度神经网络具备检测这种样本的能力。本文提出了一种基于 ImageNet 和 Places365 的全面评估标准，根据与训练集的语义相似性，将个别类别分为内部分布和外部分布，通过不同的技术确定哪些类别应被视为内部分布，得到具备不同性质的评估标准。不同的 ODD 检测技术在不同的评估标准下的实验结果表明，它们的有效性取决于所选择的评估标准，而基于置信度的技术在接近 ODD 样本上可能优于基于分类器的技术。

Apr, 2024