基于能量归一化流的语义分割并发误分类与分布外检测
计算机视觉与模式识别
2023-05-17 v1 人工智能
机器学习
摘要
最近的语义分割模型能够准确分类与训练数据集分布相似的测试时样本。然而，它们的判别性闭集方法在存在分布偏移和分布外 (OOD) 类别的实际数据设置中并不鲁棒。因此，在测试时将其用作置信度分数时，预测概率可能非常不精确。为了解决这个问题，我们提出了一种用于并发分布内误分类 (IDM) 和 OOD 检测的生成模型，该模型依赖于归一化流框架。所提出的基于流且具有能量输入的检测器 (FlowEneDet) 可以扩展先前部署的分割模型，而无需进行耗时的重新训练。我们的 FlowEneDet 产生了一种低复杂度的架构，内存占用仅略有增加。当应用于预训练的 DeepLabV3+ 和 SegFormer 语义分割模型时，FlowEneDet 在 Cityscapes、Cityscapes-C、FishyScapes 和 SegmentMeIfYouCan 基准上的 IDM/OOD 检测中取得了有希望的结果。
引用
@article{arxiv.2305.09610,
title = {Concurrent Misclassification and Out-of-Distribution Detection for Semantic Segmentation via Energy-Based Normalizing Flow},
author = {Denis Gudovskiy and Tomoyuki Okuno and Yohei Nakata},
journal= {arXiv preprint arXiv:2305.09610},
year = {2023}
}
备注
Accepted to UAI 2023. Preprint