3D 应用中的分布外检测综述
计算机视觉与模式识别
2025-07-02 v1
摘要
检测训练数据中不常见对象的能力是许多 3D 应用（包括自动驾驶）中的关键能力。目标检测方法常假设推断期间遇到的所有对象类别均属于训练数据中存在的封闭类别集合。此假设限制了对现实世界的泛化能力，因为训练期间未见过的对象可能被误分类或完全忽略。作为可靠 AI 的一部分，分布外(OOD)检测识别显著偏离训练分布的输入。本文提供了 OOD 检测在可信赖和不确定 AI 范围内的全面概述。我们首先介绍跨越多个领域的关键用例，概述跨多种模态的基准数据集，并讨论评估指标。接下来，我们对 OOD 检测方法进行比较分析，探讨模型结构、不确定性指标和分布距离分类学，以及不确定性校准技术。最后，我们指出了包括对抗性鲁棒 OOD 检测和故障识别等有前景的研究方向，尤其适用于 3D 应用。该论文提供了关于 OOD 检测的理论和实践见解，展示了诸如 3D 视觉集成等新兴研究机遇。这些见解帮助新研究人员更有效地导航该领域，推动可靠、安全和稳健 AI 系统的发展。
引用
@article{arxiv.2507.00570,
title = {Out-of-distribution detection in 3D applications: a review},
author = {Zizhao Li and Xueyang Kang and Joseph West and Kourosh Khoshelham},
journal= {arXiv preprint arXiv:2507.00570},
year = {2025}
}