基于间隔熵损失的安全关键二维目标检测实时分布外样本识别
计算机视觉与模式识别
2022-09-02 v1
摘要
卷积神经网络(CNNs)如今常用于自动驾驶或无人机(UAVs)等安全关键应用的基于视觉的感知栈中。由于这些用例的安全需求,了解CNN的局限性从而检测分布外(OOD)样本十分重要。本工作中,我们提出一种通过采用间隔熵(ME)损失来实现二维目标检测OOD检测的方法。所提方法易于实现,可应用于大多数现有目标检测架构。此外,我们引入可分离性(Separability)作为目标检测中OOD样本检测的度量。我们表明,用ME损失训练的CNN显著优于使用标准置信度分数的OOD检测。同时,底层目标检测框架的运行时间保持不变,使ME损失成为实现OOD检测的有力工具。
引用
@article{arxiv.2209.00364,
title = {Identifying Out-of-Distribution Samples in Real-Time for Safety-Critical 2D Object Detection with Margin Entropy Loss},
author = {Yannik Blei and Nicolas Jourdan and Nils Gählert},
journal= {arXiv preprint arXiv:2209.00364},
year = {2022}
}
备注
5 pages, 3 Figures, eccv 2022 - Workshop on Uncertainty Quantification for Computer Vision