寻找恐龙：面向零样检测 OOD 对象原型的即插即用框架
计算机视觉与模式识别
2025-02-12 v2 人工智能
摘要
在视觉领域，检测和定位未知或准分布外 (OOD) 对象是一项具有挑战性的任务，尤其是在涉及自动驾驶车辆或火车等安全关键场景中。监督式异常分割或开放世界目标检测模型依赖在每个领域中进行详尽标注的数据集进行训练，仍难以区分背景与 OOD 对象。本文提出一种即插即用框架——原型基 OOD 检测无标签方法 (PROWL)。它是一种基于推断的方法，不需要在领域数据集上进行训练，仅依据从自监督预训练模型中提取的相关特征。PROWL 可通过指定该领域中已知类别的列表，以零射方式适配检测任何操作设计域 (ODD) 中的领域内对象。作为首个零射无监督方法，PROWL 在路驾驶基准中的 RoadAnomaly 和 RoadObstacle 数据集（分别来自 SegmentMeIfYouCan (SMIYC) 和 Fishyscapes）实现了最先进的结果，同时在不使用额外 OOD 数据训练的现有监督方法上表现相当。我们还展示了其在其他领域（如铁路和海事）的通用性。
引用
@article{arxiv.2404.07664,
title = {Finding Dino: A Plug-and-Play Framework for Zero-Shot Detection of Out-of-Distribution Objects Using Prototypes},
author = {Poulami Sinhamahapatra and Franziska Schwaiger and Shirsha Bose and Huiyu Wang and Karsten Roscher and Stephan Guennemann},
journal= {arXiv preprint arXiv:2404.07664},
year = {2025}
}
备注
Accepted in IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2025