OpenPatch：用于分布外检测的 3D 拼片方法
计算机视觉与模式识别
2023-10-25 v3 机器学习
摘要
将深度学习模型从实验室环境移至开放世界需要使其具备应对未知条件的能力。在若干应用中，部署期间新类别的出现构成重大威胁，因此有效检测它们至关重要。理想情况下，该能力应在需要时即可使用，而无需在每个新任务上付出额外的计算训练代价。分布外检测近年备受关注，然而多数研究处理 2D 图像，忽略了真实世界固有的 3D 本质，且常混淆域新颖性与语义新颖性。本工作中，我们关注后者，考虑由 3D 点云捕获的物体几何结构，而不论具体域。我们通过引入 OpenPatch 推进该领域，其构建于大型预训练模型之上，并简单地从其中间特征提取描述每个已知类别的拼片表示集合。对于任意新样本，我们通过评估其是否主要由单一已知类别的拼片重组、还是借助多个类别的贡献来给出新颖性分数。我们针对参考已知数据为合成数据时的真实世界点云样本语义新颖性检测任务，给出了方法的广泛实验评估。我们证明 OpenPatch 在完整与少样本已知样本场景下均表现优异，展现了跨不同预训练目标与网络骨干的鲁棒性。我们方法固有的免训练特性使其可立即应用于广泛真实世界任务，相较于需昂贵重训练的方法具有显著优势。
引用
@article{arxiv.2310.03388,
title = {OpenPatch: a 3D patchwork for Out-Of-Distribution detection},
author = {Paolo Rabino and Antonio Alliegro and Francesco Cappio Borlino and Tatiana Tommasi},
journal= {arXiv preprint arXiv:2310.03388},
year = {2023}
}