利用不确定性识别视觉目标检测中的开集错误
计算机视觉与模式识别
2021-11-15 v2 人工智能
机器学习
机器人学
摘要
部署于开放世界中，目标检测器容易出现开集错误，即对训练数据集中不存在的目标类别产生假阳性检测。我们提出 GMM-Det，一种从目标检测器中提取认知不确定性以识别并拒绝开集错误的实时方法。GMM-Det 训练检测器产生结构化的 logit 空间，该空间由类特定的高斯混合模型建模。在测试时，开集错误通过其所有高斯混合模型下的低对数概率被识别。我们在涵盖机器人与计算机视觉的三个不同数据集上测试了两种常见检测器架构，Faster R-CNN 和 RetinaNet。我们的结果表明，GMM-Det 在识别和拒绝开集检测方面持续优于现有的不确定性技术，尤其是在安全关键应用所需的低错误率工作点上。GMM-Det 保持目标检测性能，且仅引入最小的计算开销。我们还引入了一种将现有目标检测数据集转换为特定开集数据集以评估目标检测中开集性能的方法论。
引用
@article{arxiv.2104.01328,
title = {Uncertainty for Identifying Open-Set Errors in Visual Object Detection},
author = {Dimity Miller and Niko Sünderhauf and Michael Milford and Feras Dayoub},
journal= {arXiv preprint arXiv:2104.01328},
year = {2021}
}