May, 2024

Action-OOD: 针对鲁棒性的端到端基于骨骼的模型用于非同分布人体动作检测

PDF
TL;DR我们提出了一种新颖的端到端基于骨架的模型，称为 Action-OOD，用于识别人类动作中的 ODD，通过引入基于注意力的特征融合块和能量损失函数，我们的模型在识别未知类别的能力和分类准确性方面表现出了优越的性能。
human action recognitionout-of-distribution detectionskeleton-based modelattention-based feature fusionenergy-based loss function
发现论文，激发创造
  • 生成模型增强的人体动作预测

    提出了一种基于生成模型的新的 out-of-distribution (OoD) 基准，用于预测人类运动，并且这种方法能够有效地提高模型的鲁棒性和可解释性。

    Oct, 2020

  • 利用自我监督采样进行端到端的越界检测

    本论文提出了一种新的概率框架模型和一种无需 OOD 数据的自监督抽样模型 (SSOD)，以解决现有研究中的问题，并展示了这些模型在大规模基准测试上具有领先的性能.

    Jul, 2023

  • 基于置信度的越界检测：一项比较研究与分析

    通过对比研究和深度分析来评估各种最先进的方法对基于置信度的 OOD 检测的能力，并采用计算机视觉基准来复现和比较多种 OOD 检测方法。评估了它们在使用胸部 X 线进行疾病分类这一具有挑战性任务中的能力，结果表明在计算机视觉任务中高性能不直接转化为医学成像任务中的准确性，因此为开发下一代 OOD 检测方法提供了有用的见解。

    Jul, 2021

  • 联合分类回归循环神经网络实现在线人体动作检测

    本文研究了如何从流媒体骨架数据中实时监测并识别出人类动作，并提出了一种基于神经网络的多任务分类回归模型来更准确地定位动作类型和时间位置信息，该模型具有较高的计算效率和准确性。

    Apr, 2016

  • 基于极值的图像分类异常检测方法：XOOD

    本研究提出了一种基于极值的新型 OOD 检测框架 XOOD，包括两个算法：完全无监督的 XOOD-M 和自我监督的 XOOD-L，两者都依赖于神经网络中激活层数据的极值信号以区分内部分布和 OOD 实例。实验证明，XOOD-M 和 XOOD-L 在效率和准确性方面均优于现有的状态 - of-the-art OOD 检测方法，在降低误报率（FPR95）50％，同时将推理时间提高一个数量级。

    Aug, 2022

  • 基于激光雷达的三维物体检测中的超分布检测

    本文提出了一种基于特征提取的方法，用于检测 LiDAR-based 3D 物体检测中的异常输入，并通过使用 KITTI 数据集的实验结果表明不同的基于异常检测的方法对于不同输入的检测存在偏差，因此更多的综合方法和研究方向是必要的。

    Sep, 2022

  • 通过数据纯化和动态激活函数设计推进离群检测

    通过改进神经网络中 OOD 样本的检测和管理，我们引入了含有噪声滤波技术的 OOD-R 数据集，提高了数据质量和模型准确性，针对模型的过度自信问题，我们还提出了一种创新方法 ActFun 来改善特征提取的稳定性和减小特异性问题，从而更准确地估计 OOD 不确定性。

    Mar, 2024

  • E2E-LOAD: 端到端在线长视频动作检测

    本文提出了一种用于在线动作检测的端对端模型 (E2E-LOAD)，使用可训练的骨干网络，提出了一种新的空间 - 时间模型和有效的推理机制，取得了较高的检测性能和较低的计算成本。

    Jun, 2023

  • 持续无监督的外部分布检测

    不断进行未标注 OOD 检测的新设置，使用融合 Mahalanobis 距离和最近邻方法的 U-OOD 评分函数，并设计了一种置信度缩放的少样本 OOD 检测器，大幅改善相关领域的强基准模型。

    Jun, 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