在实时物体检测中重新审视分布外检测:从基准陷到新的缓解范式

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习模型与分布外 (OoD) 输入扎,导致对错误对象的过度自信预测.
• 在对象检测中OOD检测的现有方法通过专注于后期评分调整提供了有限的改进.

研究的目的:

• 为解决对象检测模型的OoD检测中的关键被忽视的问题.
• 提出一种新的培训时间减缓策略,以提高对OOD输入的模型稳定性.

主要方法:

• 分析了广泛使用的评估基准,确定了扭曲绩效指标的重大数据质量问题.
• 引入了一种训练时间范式,涉及精细调探测器与合成的OoD数据集,模仿分布式对象.
• 开发了一种方法来抑制OoD对象的对象性,创建一个更具防御性的决策边界.

主要成果:

• 发现OOD测试套件中高达13%的对象被错误标记,影响了现有方法的评估.
• 在BDD-100K数据集上,YOLO模型的幻觉错误减少了91%.
• 在各种物体检测架构 (YOLO,更快的R-CNN,RT-DETR) 中展示了泛化和少数镜头适应.

结论:

• 当前的OoD检测基准有根本的缺陷,这会夸大性能要求.
• 一种独立于外部检测器的训练时间缓解方法有效地减少了OOD诱导的幻觉.
• 拟议的方法提供了一个原则性和广泛适用的解决方案,以提高物体检测器的可靠性.