基于贝叶斯不确定性估计的分布外目标检测
计算机视觉与模式识别
2023-10-31 v1
摘要
目标检测器的优越性能通常建立在测试样本与训练数据同分布的条件下。然而，在许多实际应用中，分布外（OOD）样本不可避免，并通常导致结果的不确定性。本文提出一种新颖、直观且可扩展的概率目标检测方法用于OOD检测。与其他要么需要巨大计算成本推断权重分布、要么依赖通过合成离群数据训练模型的不确定性建模方法不同，我们的方法能够通过基于预训练网络所提出的高斯分布进行权重参数采样，来区分分布内（ID）数据与OOD数据。我们证明，当以BDD100k和VOC数据集作为ID数据集、以COCO2017数据集作为OOD数据集进行评测时，我们的贝叶斯目标检测器能够通过将FPR95分数降低至多8.19%、将AUROC分数提升至多13.94%来实现令人满意的OOD识别性能。
引用
@article{arxiv.2310.19119,
title = {Out-of-distribution Object Detection through Bayesian Uncertainty Estimation},
author = {Tianhao Zhang and Shenglin Wang and Nidhal Bouaynaya and Radu Calinescu and Lyudmila Mihaylova},
journal= {arXiv preprint arXiv:2310.19119},
year = {2023}
}