探究上下文多样性用于密集分布外检测
计算机视觉与模式识别
2022-08-31 v1
摘要
在图像分类背景下检测分布外（OoD）样本，连同与其密切相关的不确定性估计主题，近来已成为一个备受关注且活跃研究的领域。在本文中，我们探索 OoD 分割任务，该任务相较于其分类对应任务研究较少且带来额外挑战。分割是一项密集预测任务，模型对每个像素的输出依赖于其周边环境。感受野与对上下文的依赖在区分不同类别以及相应地在发现 OoD 实体中发挥作用。我们引入 MOoSe，一种利用语义分割模型中所表征的各层次上下文的高效策略，并表明即便是多尺度表示的简单聚合也对 OoD 检测与不确定性估计具有一致的积极效果。
引用
@article{arxiv.2208.14195,
title = {Probing Contextual Diversity for Dense Out-of-Distribution Detection},
author = {Silvio Galesso and Maria Alejandra Bravo and Mehdi Naouar and Thomas Brox},
journal= {arXiv preprint arXiv:2208.14195},
year = {2022}
}
备注
Safe Artificial Intelligence for Automated Driving Workshop, ECCV 2022