基于图输入数据的人体动作识别中图像式分布外检测器原理
计算机视觉与模式识别
2020-03-05 v1 机器学习
图像与视频处理
摘要
生活在像我们这样复杂的世界中，使得机器学习系统的实际部署假设一个封闭世界变得不可接受。因此，真实世界环境中此类基于学习的系统有必要知晓自身的能力与局限，并能够区分推理中置信与非置信的结果，尤其在样本无法由底层分布解释时。该知识在安全关键环境与任务（例如自动驾驶汽车或医疗应用）中尤为关键。为此，我们将基于图像的分布外（OoD）方法迁移至基于图的数据，并展示其在动作识别中的适用性。本工作的贡献在于：(i) 考察近期图像式 OoD 检测器对图输入数据的可移植性，(ii) 一种基于度量学习检测 OoD 样本的方法，以及 (iii) 引入一个新的半合成动作识别数据集。评估表明图像式 OoD 方法可应用于图数据。此外，类内与数据集内结果之间存在性能差距。初始方法如所考察的基线或 ODIN 提供了合理结果。更复杂的网络架构——与其在图像应用中的情况相反——在数据集内比较中被超越，甚至导致更低的分类准确率。
引用
@article{arxiv.2003.01719,
title = {Image-based OoD-Detector Principles on Graph-based Input Data in Human Action Recognition},
author = {Jens Bayer and David Münch and Michael Arens},
journal= {arXiv preprint arXiv:2003.01719},
year = {2020}
}