Apr, 2024

发现 Dino: 无监督检测外部分布对象的即插即用框架

PDF
TL;DR在本文中，我们提出了一种即插即用的广义框架 —— 无标签基于原型的零样本 OOD 检测（PROWL）。PROWL 是一种基于推理的方法，不需要在领域数据集上进行训练，依赖于从自监督预训练模型中提取相关特征。PROWL 可以轻松适应任何操作设计领域中的 OOD 对象，并且在 SegmentMeIfYouCan（SMIYC）基准提供的 RoadAnomaly 和 RoadObstacle 数据集上，作为一种无监督方法，它在没有辅助 OOD 数据进行训练的情况下优于其他有监督方法。我们还证明了它在其他领域（如铁路和海事场景）的适用性。
ood objectsautonomous systemszero-shot ood detectionprowlself-supervised pre-trained models
发现论文，激发创造
  • 重温基于 LiDAR 的 3D 物体检测中的超出分布检测

    利用合成的离群对象数据生成特征图以对未知物体进行检测并使用多层感知器分类，从而有效处理自动驾驶中的风险和可靠性问题。

    Apr, 2024

  • RODD: 自监督方法用于强健的越界检测

    该论文提出了一种简单且有效的基于自我监督对比学习的无关数据集的广义异常检测方法，该方法在一系列基准数据集上的表现优于现有技术，特别是在 CIFAR-100 数据集上的假阳性率（FPR@95）比 SOTA 方法低了 26.97％。

    Apr, 2022

  • 无监督识别未知物体的开放世界物体检测

    该研究论文提出了一种新颖的方法，通过学习无监督的辨别模型来识别真实的未知对象，并通过无分类训练方法对模型进行进一步改进，实现在检测未知对象方面显著优于先前的方法，在 MS COCO 数据集上保持检测已知对象类别的竞争性表现，并在 LVIS 和 Objects365 数据集上实现更好的泛化能力。

    Aug, 2023

  • 多原型联合学习用于外部分布检测

    基于原型混合的 PALM 模型通过多个原型来捕捉样本的多样性，学习更加准确和紧凑的样本嵌入以增强 OOD 检测性能，取得了 93.82 的 CIFAR-100 基准任务的最先进结果。

    Feb, 2024

  • 开放世界中的半监督目标检测

    在这篇论文中，我们提出了一个名为 Open World Semi-supervised Detection（OWSSD）的框架，该框架通过一种轻量级的自编码器网络对进行过 ID 数据训练从而有效地检测 OOD 数据，并从中学习，我们通过大量评估表明我们的方法在与最先进的 OOD 检测算法的竞争中表现出色，并显著改善了开放世界场景下的半监督学习性能。

    Jul, 2023

  • 预训练网络能否检测到熟悉的非分布数据？

    揭示预训练模型在预训练算法视角下，外分布数据对外分布检测性能的影响，并提出利用实例间鉴别性特征空间独立于 ID 决策边界的方法解决预训练模型的脆弱性。

    Oct, 2023

  • 通过判别类原型学习的开放世界物体检测

    基于原型学习的开放世界目标检测方法 OCPL，包括 PEA、ESC、CSC 三个模块，用于学习已知类别的鉴别性嵌入以区分已知和未知类别，相关实验结果验证了该方法的有效性。

    Feb, 2023

  • 提案层次的无监督域自适应方法用于开放世界无偏探测器

    本研究旨在通过重新定义任务的方式，在无监督域适应的条件下构建一个无偏的前景预测器，利用领域内不变的前景特征学习预测器，从而实现对外观变化的应对能力，本方法在各种检测框架和无监督域适应方法中可实现自适应，经 OWOD 评估验证其在性能上达到了最新水平。

    Nov, 2023

  • 利用播放回归进行无监督领域自适应的三维物体检测

    本研究提出了一种新的学习方法通过在原始领域的伪标签上微调探测器来减少自动驾驶汽车在不同环境下的识别差异，据此，研究发现在五组自动驾驶数据集中，探测器在伪标签领域上的微调显著降低了探测器在新的行驶环境中的误判率。

    Mar, 2021

  • 鲁棒语言模型的伪 OOD 训练

    本文提出 POORE - POsthoc pseudo-Ood REgularization 框架，通过在内部数据中生成伪 OOD 数据进行 fine-tune，通过引入新的正则化损失来分离 IND 和 OOD 数据的嵌入，提高了 OOD 预测任务的准确度，相较现有方法在三个实际对话系统上获得了最新的技术进展。

    Oct, 2022