ATTA：面向分割中分布外检测的抗异常测试时自适应方法
计算机视觉与模式识别
2023-10-31 v2 机器学习
摘要
近期密集分布外 (OOD) 检测的进展主要关注训练与测试数据集领域相似、且假设两者之间不存在领域偏移的场景。然而在真实情境中，领域偏移常常存在并显著影响现有分布外 (OOD) 检测模型的准确性。本工作中，我们提出一种双层 OOD 检测框架，联合处理领域偏移与语义偏移。第一层利用全局低级特征区分图像中是否存在领域偏移，第二层利用密集高级特征图识别具有语义偏移的像素。借此，我们可有选择地将模型适配至未知领域，并增强模型检测新类别的能力。我们在多个 OOD 分割基准上验证了所提方法的有效性，包括具有显著领域偏移与无显著偏移的基准，观察到在各基线模型上均有一致的性能提升。代码见 。
引用
@article{arxiv.2309.05994,
title = {ATTA: Anomaly-aware Test-Time Adaptation for Out-of-Distribution Detection in Segmentation},
author = {Zhitong Gao and Shipeng Yan and Xuming He},
journal= {arXiv preprint arXiv:2309.05994},
year = {2023}
}
备注
Published in NeurIPS 2023