Probing Contextual Diversity for Dense Out-of-Distribution Detection

要約

画像分類のコンテキストでの分布外 (OoD) サンプルの検出は、最近、密接に関連する不確実性推定のトピックとともに、関心のある活発な研究分野になっています。
このホワイト ペーパーでは、OoD セグメンテーションのタスクについて説明します。これは、対応する分類よりも研究が進んでおらず、追加の課題が提示されています。
セグメンテーションは、各ピクセルのモデルの結果が周囲に依存する密な予測タスクです。
受容野とコンテキストへの依存は、さまざまなクラスを区別し、それに応じて OoD エンティティを見つける役割を果たします。
セマンティック セグメンテーション モデル内で表されるさまざまなレベルのコンテキストを活用するための効率的な戦略である MOoSe を紹介し、マルチスケール表現の単純な集約でさえ、OoD の検出と不確実性の推定に一貫してプラスの効果があることを示します。

要約(オリジナル)

Detection of out-of-distribution (OoD) samples in the context of image classification has recently become an area of interest and active study, along with the topic of uncertainty estimation, to which it is closely related. In this paper we explore the task of OoD segmentation, which has been studied less than its classification counterpart and presents additional challenges. Segmentation is a dense prediction task for which the model’s outcome for each pixel depends on its surroundings. The receptive field and the reliance on context play a role for distinguishing different classes and, correspondingly, for spotting OoD entities. We introduce MOoSe, an efficient strategy to leverage the various levels of context represented within semantic segmentation models and show that even a simple aggregation of multi-scale representations has consistently positive effects on OoD detection and uncertainty estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google