一种用于分割任务分布外检测的元认知方法
计算机视觉与模式识别
2023-11-15 v1 人工智能
机器学习
摘要
尽管深度神经网络在封闭世界中的语义场景分割表现优异，但其对开放世界中自主智能体所需的新颖实例分割能力较差。为改进分割的分布外（OOD）检测，我们提出了一种轻量级模块形式的元认知方法，该方法利用熵度量、分割预测和空间上下文来刻画分割模型的不确定性，并实时检测像素级 OOD 数据。此外，我们的方法引入了一种在分布内数据语境下生成合成 OOD 数据的新方法，并用于通过最大熵训练微调现有分割模型。这进一步提升了元认知模块的性能，且无需访问 OOD 数据，同时兼容已有的预训练模型。如语义分割 OOD 检测基准上的 SOTA 性能所示，我们的最终方法能够可靠地检测场景中的 OOD 实例。
引用
@article{arxiv.2311.07578,
title = {A Metacognitive Approach to Out-of-Distribution Detection for Segmentation},
author = {Meghna Gummadi and Cassandra Kent and Karl Schmeckpeper and Eric Eaton},
journal= {arXiv preprint arXiv:2311.07578},
year = {2023}
}