基于合成负数据鲁棒学习的稠密分布外检测
计算机视觉与模式识别
2023-08-01 v3
摘要
标准机器学习无法处理不属于训练分布的输入。由此产生的模型常给出置信度高的错误预测，可能导致灾难性后果。在稠密预测语境下该问题尤为严峻，因为输入图像可能仅局部异常。先前工作通过对现成负数据集进行判别训练来解决稠密分布外检测。然而，真实负数据不太可能覆盖整个视觉世界的所有模式。为此，我们沿内点流形边界生成合成负块来扩展该方法。我们利用联合训练的正则化流，因其面向覆盖的学习目标及在不同分辨率下生成样本的能力。我们根据一个原则性的信息论准则检测异常，该准则可在训练和推理中一致应用。所得模型在驾驶场景与遥感影像的分布外检测基准上确立了新的 SOTA，尽管计算开销极小。
引用
@article{arxiv.2112.12833,
title = {Dense Out-of-Distribution Detection by Robust Learning on Synthetic Negative Data},
author = {Matej Grcić and Petra Bevandić and Zoran Kalafatić and Siniša Šegvić},
journal= {arXiv preprint arXiv:2112.12833},
year = {2023}
}