基于Real NVP生成合成离群点的稠密开集识别
计算机视觉与模式识别
2020-11-24 v1
摘要
当今的深度模型往往无法检测不属于训练分布的输入。这导致了置信的错误预测，可能在医疗健康和自动驾驶等许多重要应用领域造成灾难性后果。有趣的是，判别模型和生成模型似乎都同样受到影响。因此，这一脆弱性代表了一个重要的研究挑战。我们考虑一种基于判别训练与联合学习的合成离群点相结合的离群点检测方法。我们通过采样一个RNVP模型来获得合成离群点，该模型被联合训练以在训练分布边界处生成数据点。我们表明，该方法可适用于同步语义分割与稠密离群点检测。我们在CIFAR-10上给出了图像分类实验，以及在三个已有数据集（StreetHazards、WD-Pascal、Fishyscapes Lost & Found）和一个贡献数据集上的语义分割实验。尽管我们的模型仅用一次前向传播产生预测，其性能仍与当前最优（SOTA）方法具有竞争力。
引用
@article{arxiv.2011.11094,
title = {Dense open-set recognition with synthetic outliers generated by Real NVP},
author = {Matej Grcić and Petra Bevandić and Siniša Šegvić},
journal= {arXiv preprint arXiv:2011.11094},
year = {2020}
}
备注
Accepted to VISAPP 2021 conference