一种利用离群点暴露提升移动机器人视觉异常检测性能的方法
计算机视觉与模式识别
2022-09-21 v1 人工智能
机器人学
摘要
我们考虑为移动机器人构建视觉异常检测系统的问题。标准异常检测模型仅使用由非异常数据组成的大型数据集训练。然而，在机器人应用中，往往可获得（可能极少的）异常样本。我们解决利用这些数据提升 Real-NVP 异常检测模型性能的问题，方法是在最小化 Real-NVP 损失的同时，最小化一个辅助的离群点暴露间隔损失。我们在一个为室内巡逻场景异常检测设计的新型数据集（作为补充材料发布）上进行定量实验。在独立的测试集上，我们的方法优于其他方案，并表明暴露即便少量异常帧也能带来显著的性能提升。
引用
@article{arxiv.2209.09786,
title = {An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots},
author = {Dario Mantegazza and Alessandro Giusti and Luca Maria Gambardella and Jérôme Guzzi},
journal= {arXiv preprint arXiv:2209.09786},
year = {2022}
}