分布式不确定性用于离群检测
计算机视觉与模式识别
2025-07-25 v1 人工智能
摘要
估计深度神经网络的不确定性是检测离群样本（OoD）的常用方法，这些样本通常表现出高预测不确定性。然而，常规方法如蒙特卡洛 Dropout 仅关注模型或数据不确定性，无法与 OoD 检测的语义目标相匹配。为此，本文提出了 Free-Energy Posterior Network（自由能后验网络），一种新型框架，联合建模分布式不确定性并用于识别 OoD 和误分类区域。我们方法的两个关键贡献：(1) 以 Beta 分布参数化的自由能密度估计器， enables 对模糊或未见区域进行细粒度不确定性估计；(2) 集成于后验网络中的损失函数，直接从已学习参数中进行不确定性估计，而无需进行随机抽样。通过将本方法集成于残差预测分支（RPL）框架，所提出的方法超越后验能量阈值， enables 网络利用 Beta 分布的方差来学习 OoD 区域， resulting in 一个语义上有意义且计算高效的用于不确定性感知分割的解决方案。我们在具有挑战性的真实世界基准测试上验证了方法的有效性，包括 Fishyscapes、RoadAnomaly 和 Segment-Me-If-You-Can。
引用
@article{arxiv.2507.18106,
title = {Distributional Uncertainty for Out-of-Distribution Detection},
author = {JinYoung Kim and DaeUng Jo and Kimin Yun and Jeonghyo Song and Youngjoon Yoo},
journal= {arXiv preprint arXiv:2507.18106},
year = {2025}
}
备注
6 pages , 3 figures , IEEE International Conference on Advanced Visual and Signal-Based Systems