语义分割中基于熵最大化与元分类的分布外检测
计算机视觉与模式识别
2021-07-28 v2 机器学习
摘要
用于图像语义分割的深度神经网络(DNN)通常训练为在预定义的封闭对象类别集上操作。这与设想中DNN将被部署于其中的“开放世界”设定相反。从功能安全角度看，检测所谓“分布外”(OoD)样本（即位于DNN语义空间之外的对象）的能力对于诸如自动驾驶等许多应用至关重要。OoD检测的一个自然基线方法是对像素级softmax熵进行阈值处理。我们提出了一种显著改进该方法的两步流程。首先，我们利用COCO数据集中的样本作为OoD代理，并引入第二个训练目标以在这些样本上最大化softmax熵。从预训练的语义分割网络出发，我们在不同的分布内数据集上重新训练若干DNN，并在完全不相交的OoD数据集上评估时一致观察到改进的OoD检测性能。其次，我们执行一个透明的后处理步骤，通过所谓“元分类”丢弃假阳性OoD样本。为此，我们将线性模型应用于从DNN的softmax概率导出的一组手工度量。在我们的实验中，我们一致观察到OoD检测性能有明显的额外提升，将最佳基线与我们的结果相比检测错误数减少了多达52%。我们在仅边际牺牲原始分割性能的情况下实现了这一改进。因此，我们的方法有助于构建更安全的DNN，具有更可靠的整体系统性能。
引用
@article{arxiv.2012.06575,
title = {Entropy Maximization and Meta Classification for Out-Of-Distribution Detection in Semantic Segmentation},
author = {Robin Chan and Matthias Rottmann and Hanno Gottschalk},
journal= {arXiv preprint arXiv:2012.06575},
year = {2021}
}
备注
18 pages, 20 figures, ICCV 2021