重新审视实时目标检测中的分布外检测：从基准陷阱到新的缓解范式
计算机视觉与模式识别
2026-01-05 v4 人工智能
软件工程
摘要
分布外（OoD）输入对深度学习模型构成了持续挑战，经常导致对非目标对象的过度自信预测。虽然先前的工作主要集中在改进评分函数和调整测试时阈值，但这些算法改进仅带来微小的增益。我们认为需要重新思考整个开发生命周期以有效缓解这些风险。这项工作解决了目标检测中 OoD 检测两个被忽视的维度。首先，我们揭示了广泛使用的评估基准中的根本缺陷：与其设计意图相反，OoD 测试集中多达 13% 的对象实际上属于分布内类，反之亦然。这些质量问题严重扭曲了现有方法的报告性能，并导致了其高误报率。其次，我们引入了一种独立于外部 OoD 检测器的新型训练时缓解范式。我们不再仅仅依赖事后评分，而是使用精心合成的、在语义上类似于分布内对象的 OoD 数据集来微调检测器。此过程通过抑制 OoD 对象的对象性来塑造防御性决策边界，使得 YOLO 模型在 BDD-100K 上的幻觉误差降低了 91%。我们的方法泛化于 YOLO、Faster R-CNN 和 RT-DETR 等检测范式，并支持少样本适应。这些贡献共同提供了一种有原则且有效的方法来减少目标检测器中由 OoD 引起的幻觉。代码和数据可在以下网址获取：https://gricad-gitlab.univ-grenoble-alpes.fr/dnn-safety/m-hood。
引用
@article{arxiv.2503.07330,
title = {Revisiting Out-of-Distribution Detection in Real-time Object Detection: From Benchmark Pitfalls to a New Mitigation Paradigm},
author = {Changshun Wu and Weicheng He and Chih-Hong Cheng and Xiaowei Huang and Saddek Bensalem},
journal= {arXiv preprint arXiv:2503.07330},
year = {2026}
}
备注
Accepted at IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)