面向真实世界异常分类的潜空间聚类条件化

Daniel Bogdoll; Svetlana Pavlitska; Simon Klaus; J. Marius Zöllner

doi:10.1109/SSCI52147.2023.10372019

面向真实世界异常分类的潜空间聚类条件化

计算机视觉与模式识别 2024-01-10 v1 人工智能机器人学

作者: Daniel Bogdoll , Svetlana Pavlitska , Simon Klaus , J. Marius Zöllner

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

自动驾驶领域的异常是自动驾驶车辆大规模部署的主要障碍。本工作中，我们关注来自城市场景的高分辨率相机数据，其包含各种类型和尺寸的异常。基于变分自编码器（VAE），我们对其潜空间进行条件化以将样本分类为正常数据或异常。为特别突出小异常，我们进行了将差异图作为额外输入提供给 VAE 的实验，评估其对检测性能的影响。我们的方法将正常数据与异常分离为孤立的聚类，同时仍重建高质量图像，从而产生有意义的潜表示。

关键词

异常分类自动驾驶变分自编码器潜空间差异图高分辨率相机

引用

@article{arxiv.2309.09676,
  title  = {Conditioning Latent-Space Clusters for Real-World Anomaly Classification},
  author = {Daniel Bogdoll and Svetlana Pavlitska and Simon Klaus and J. Marius Zöllner},
  journal= {arXiv preprint arXiv:2309.09676},
  year   = {2024}
}

备注

Daniel Bogdoll, Svetlana Pavlitska, and Simon Klaus contributed equally. Accepted for publication at SSCI 2023

面向真实世界异常分类的潜空间聚类条件化

摘要

关键词

引用

备注

相关论文