单阶段目标检测器对分布外数据的固有鲁棒性分析

鲁棒性是开发安全可信模型的基本要求，尤其是在开放世界环境中部署时。本文分析了单阶段目标检测器在存在分布外（OoD）数据时鲁棒运行的内在能力。具体而言，我们提出了一种新颖的检测算法，用于检测图像数据中的未知物体，该算法利用了模型从每个样本中提取的特征。与文献中其他近期方法不同，我们的方案不需要重新训练目标检测器，从而允许使用预训练模型。我们提出的OoD检测器利用监督降维技术来减轻维度灾难对模型提取特征的影响。此外，它利用高分辨率特征图以无监督方式识别潜在的未知物体。我们的实验分析了不同算法配置和推理置信度阈值下，已知与未知物体检测性能之间的帕累托权衡。我们还将所提出算法的性能与基于logits的事后OoD方法以及可能的融合策略进行了比较。最后，我们讨论了所有测试方法在最新发布的未知物体检测基准上，与最先进的OoD目标检测方法相比的竞争力。所得结果表明，当与我们提出的算法结合时，先进的事后OoD检测器的性能可以进一步提高。