深空遥遥：基于密集最近邻的分布外检测
计算机视觉与模式识别
2023-09-15 v2
摘要
分布外检测的关键在于对分布内数据或其特征表示进行密度估计。对于分布内数据具有复杂底层结构的领域中的密集异常检测，这尤其具有挑战性。最近邻方法已被证明在以物体为中心的数据领域（如工业检测与图像分类）表现良好。本文中，我们表明最近邻方法在复杂驾驶场景的密集新颖性检测中，当使用恰当的特征表示时，也能取得最先进的结果。具体而言，我们发现基于 transformer 的架构所产生的表示能为该任务提供更好的相似性度量。我们将这些模型的多头结构确定为改进原因之一，并展示了将部分改进迁移至 CNN 的方法。最终，该方法简单且非侵入式，即不影响主要分割性能、避免对异常样本进行训练，并在 RoadAnomaly、StreetHazards 与 SegmentMeIfYouCan-Anomaly 上取得最先进结果。
引用
@article{arxiv.2211.06660,
title = {Far Away in the Deep Space: Dense Nearest-Neighbor-Based Out-of-Distribution Detection},
author = {Silvio Galesso and Max Argus and Thomas Brox},
journal= {arXiv preprint arXiv:2211.06660},
year = {2023}
}
备注
Workshop on Uncertainty Quantification for Computer Vision, ICCV 2023. Code at: https://github.com/silviogalesso/dense-ood-knns