BAM：用于目标检测中实时 OoD 检测的框抽象监控器
计算机视觉与模式识别
2024-03-28 v1
摘要
深度神经网络（DNNs）的分布外（OoD）检测技术因其能够过滤异常输入而变得至关重要，特别是当 DNNs 用于安全关键应用并与开放动态环境交互时。然而，将 OoD 检测集成到 state-of-the-art (SOTA) 目标检测 DNNs 中带来了重大挑战，部分原因在于 SOTA OoD 构建方法引入的复杂性，这些方法需要修改 DNN 架构并引入复杂的损失函数。本文提出了一种简单却出奇有效的方法，该方法既不需要重新训练也不需要改变目标检测 DNN 的架构，称为基于框抽象的监控器（BAM）。BAM 的新颖之处在于使用凸框抽象的有限并集来捕获分布内（ID）数据的目标学习特征，以及一个重要观察：来自 OoD 数据的特征更有可能落在这些框之外。特征空间中凸区域的并集允许形成非凸且可解释的决策边界，克服了类似 VOS 检测器的局限性，同时不牺牲实时性能。将 BAM 集成到基于 Faster R-CNN 的目标检测 DNNs 中的实验表明，其性能相比 SOTA OoD 检测技术有显著提升。
引用
@article{arxiv.2403.18373,
title = {BAM: Box Abstraction Monitors for Real-time OoD Detection in Object Detection},
author = {Changshun Wu and Weicheng He and Chih-Hong Cheng and Xiaowei Huang and Saddek Bensalem},
journal= {arXiv preprint arXiv:2403.18373},
year = {2024}
}