极简多模态异常值合成用于分布外检测与分割
计算机视觉与模式识别
2026-03-05 v2 人工智能
机器学习
机器人学
摘要
分布外（OOD）检测与分割对于将机器学习模型部署到自动驾驶和机器人辅助手术等安全关键应用中至关重要。虽然先前研究主要聚焦于单模态图像数据，但现实世界应用本质上是多模态的，需要整合多种模态以提升OOD检测。一个关键挑战是缺乏来自未知数据的监督信号，导致对OOD样本的过度自信预测。为应对这一挑战，我们提出了Feature Mixing，一种极其简单快速的多模态异常值合成方法，具有理论支持，可进一步优化以帮助模型更好地区分分布内（ID）数据和OOD数据。Feature Mixing是模态无关的，适用于各种模态组合。此外，我们引入了CARLA-OOD，一个用于OOD分割的新多模态数据集，特征是在多样场景和天气条件下合成OOD对象。在SemanticKITTI、nuScenes、CARLA-OOD数据集和MultiOOD基准上的大量实验表明，Feature Mixing以10倍到370倍的速度提升实现了最先进性能。我们的源代码和数据集将发布于 https://github.com/mona4399/FeatureMixing。
引用
@article{arxiv.2505.16985,
title = {Extremely Simple Multimodal Outlier Synthesis for Out-of-Distribution Detection and Segmentation},
author = {Moru Liu and Hao Dong and Jessica Kelly and Olga Fink and Mario Trapp},
journal= {arXiv preprint arXiv:2505.16985},
year = {2026}
}
备注
NeurIPS 2025