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

CVPRJun, 2024

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

Situation Monitor: Diversity-Driven Zero-Shot Out-of-Distribution Detection using Budding Ensemble Architecture for Object Detection

PDF

Qutub Syed, Michael Paulitsch, Korbinian Hagn, Neslihan Kose Cihangir, Kay-Ulrich Scholl...

TL;DR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。

Abstract

We introduce Situation Monitor, a novel zero-shot Out-of-Distribution (OOD) detection approach for transformer-based object detection models to enhance reliability in →

zero-shot out-of-distribution detection safety-critical machine learning transformer-based object detection diversity-based budding ensemble architecture

发现论文，激发创造

深度集成多样性用于外部分布检测的可用性

深度学习中用深度集成方法提升神经网络的鲁棒性能，在大规模图片数据集中使用互信息指标 (OOD）的检测效果比单一模型的熵指标要劣 30-40%，使用集成多个分类器的检测得分对 Deep Ensemble OOD 检测性能有着更好的提升表现。

Jul, 2022

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

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

BEA: 采用 Budding Ensemble 架构重新审视基于锚点的目标检测 DNN

本文介绍了一种新颖的减少集成架构，称为 Budding Ensemble Architecture（BEA），用于基于锚点的目标检测模型。BEA 通过改进置信度得分校准和减小不确定性误差来提高目标检测模型的准确性。BEA 在 Base-YOLOv3 和 SSD 模型上的应用结果显示，与基准模型相比，mAP 和 AP50 分别提高了 6% 和 3.7%。此外，BEA-YOLOV3 在 KITTI 数据集上的训练还提供了优越的城市行人、BDD100K 和 COCO 数据集的超出分布检测能力。

Sep, 2023

批量集合随机神经网络用于产生外部分布检测

本文提出了一种利用特征分布建模的不确定性量化方法，并进一步结合高效的集成机制 —— 批量集成随机神经网络（BE-SNNs）来克服特征折叠问题，经过多个 OOD 基准测试，证明 BE-SNNs 在许多方面优于其他现有的方法。

Jun, 2022

BAM: 盒子抽象监测对象检测中的实时 OoD 检测

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。

Mar, 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

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

指向便携式超声成像乳腺癌分类方法的非同源检测

通过使用三种不同的方法：softmax、能量分数和深度集成，并在三个不同的数据集上进行测试，本研究通过点对点超声图像对乳腺癌进行分类，并发现能量分数方法在两个数据集上优于 softmax 方法，而深度集成方法是最稳健的，在所有三个数据集上最适合检测 OOD 样本。

Feb, 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