图像描述中分布外示例检测的基线方法
计算机视觉与模式识别
2022-07-13 v1 机器学习
摘要
图像描述研究近年来取得突破，所开发的神经模型能够为与训练图像同分布的图片生成多样且高质量的描述。然而，当面对分布外（OOD）图像（如受损图像或包含未知物体的图像）时，这些模型无法生成相关描述。本文考虑图像描述中的 OOD 检测问题。我们形式化该问题并提出一种评估设定以衡量模型在此任务上的表现。随后，我们分析并展示了描述的似然分数在检测与拒绝 OOD 图像上的有效性，这意味着输入图像与生成描述之间的相关性被封装于该分数之中。
引用
@article{arxiv.2207.05418,
title = {A Baseline for Detecting Out-of-Distribution Examples in Image Captioning},
author = {Gabi Shalev and Gal-Lev Shalev and Joseph Keshet},
journal= {arXiv preprint arXiv:2207.05418},
year = {2022}
}
备注
Accepted to ACM Multimedia (MM) 2022