基于熵的离群值评分及其在道路基础设施图像新颖性检测中的应用
摘要
本文提出一种新颖的无监督离群值评分，其可嵌入基于图的降维技术中。该评分利用这些技术的有向最近邻图。因此，用于将数据投影至低维的同一相似性度量也被用于确定离群值评分。该离群值评分通过相似性的加权归一化熵实现。此评分应用于道路基础设施图像。目标是在给定预收集基础数据集的情况下识别新观测到的基础设施。检测未知场景是加速自动驾驶车辆验证的关键。结果显示了所提技术的较高潜力。为验证离群值评分的泛化能力，还将其应用于多个真实世界数据集。使用所提方法识别离群值的整体平均性能高于最先进方法。为生成基础设施图像，作为本工作一部分开发了用于 Matlab 的 openDRIVE 解析与绘图工具。该工具以及基于熵的离群值评分与 Uniform Manifold Approximation and Projection 结合的实现已公开可用。
引用
@article{arxiv.2005.13288,
title = {An Entropy Based Outlier Score and its Application to Novelty Detection for Road Infrastructure Images},
author = {Jonas Wurst and Alberto Flores Fernández and Michael Botsch and Wolfgang Utschick},
journal= {arXiv preprint arXiv:2005.13288},
year = {2021}
}
备注
Copyright 2020 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works