面向语义分割的判别式分布外检测
计算机视觉与模式识别
2018-10-02 v2
摘要
大多数分类和分割数据集假设一个封闭世界场景，其中预测表示为对一组预定视觉类别的分布。然而，此类假设意味着在存在分布外(OOD)输入时不可避免且常未被察觉的失败。由于当前视觉本体远非完备，这些失败在大多数实际应用中必然发生。我们提出通过判别式检测输入数据中的 OOD 像素来解决此问题。与近期方法不同，我们避免仅通过观测为主模型(训练用于解决所需计算机视觉任务)的训练数据集来做任何决策。相反，我们训练一个专用的 OOD 模型，将主训练集与近似视觉世界多样性的更大的“背景”数据集区分开。我们在高分辨率自然图像的密集预测设置中进行实验。我们使用多个道路驾驶数据集作为训练分布，同时用 ILSVRC 数据集近似背景分布。我们在 WildDash 测试集上评估我们的方法，该测试集目前是唯一包含分布外图像的公共测试数据集。所得结果表明，所提方法成功识别分布外像素，并以显著优势超越先前工作。
引用
@article{arxiv.1808.07703,
title = {Discriminative out-of-distribution detection for semantic segmentation},
author = {Petra Bevandić and Ivan Krešo and Marin Oršić and Siniša Šegvić},
journal= {arXiv preprint arXiv:1808.07703},
year = {2018}
}
备注
This paper has been withdrawn from AutoNUE workshop at ECCV 2018 due to ECCV registration being closed