利用 $\beta$-VAE 潜空间在多标签数据集中进行分布外检测
计算机视觉与模式识别
2020-03-20 v1 机器学习
摘要
学习型使能组件（LECs）正被广泛用于多种基于感知的自主任务中，如图像分割、目标检测、端到端驾驶等。这些组件使用包含多模态因素（如天气条件、一天中的时间、交通密度等）的大型图像数据集进行训练。LECs 在训练时从这些因素中学习，而在测试时若任一因素发生变化，组件便会混淆，导致低置信度预测。训练时未见过这些因素的图像通常被称为分布外（OOD）。对于安全自主而言，识别 OOD 图像十分重要，以便执行合适的缓解策略。经典的单类分类器如 SVM 和 SVDD 被用于进行 OOD 检测。然而，这些数据集中图像所附带的多个标签限制了这些技术的直接应用。我们利用 -变分自编码器（-VAE）的潜空间来解决此问题。我们使用这样一个事实：由适当选择的 -VAE 生成的紧凑潜空间会将关于这些因素的信息编码于少数潜变量中，而这可用于计算代价低的检测。我们在 nuScenes 数据集上评估了我们的方法，结果表明 -VAE 的潜空间对生成因素取值的变化编码敏感。
引用
@article{arxiv.2003.08740,
title = {Out-of-Distribution Detection in Multi-Label Datasets using Latent Space of $\beta$-VAE},
author = {Vijaya Kumar Sundar and Shreyas Ramakrishna and Zahra Rahiminasab and Arvind Easwaran and Abhishek Dubey},
journal= {arXiv preprint arXiv:2003.08740},
year = {2020}
}
备注
Workshop on Assured Autonomy (WAAS) -2020