Identifying Out-of-Distribution Samples in Real-Time for Safety-Critical 2D Object Detection with Margin Entropy Loss

要約

畳み込みニューラル ネットワーク (CNN) は、現在、自動運転や無人航空機 (UAV) などの安全性が重要なアプリケーションの視覚ベースの認識スタックでよく採用されています。
これらのユース ケースの安全要件により、CNN の制限を理解し、Out-of-Distribution (OOD) サンプルを検出することが重要です。
この作業では、マージン エントロピー (ME) 損失を使用して、2D オブジェクト検出の OOD 検出を有効にするアプローチを紹介します。
提案された方法は実装が簡単で、ほとんどの既存のオブジェクト検出アーキテクチャに適用できます。
さらに、オブジェクト検出で OOD サンプルを検出するためのメトリックとして分離性を導入します。
ME 損失でトレーニングされた CNN は、標準の信頼スコアを使用した OOD 検出よりも大幅に優れていることを示します。
同時に、基礎となるオブジェクト検出フレームワークのランタイムは一定のままであり、ME 損失は OOD 検出を可能にする強力なツールになります。

要約(オリジナル)

Convolutional Neural Networks (CNNs) are nowadays often employed in vision-based perception stacks for safetycritical applications such as autonomous driving or Unmanned Aerial Vehicles (UAVs). Due to the safety requirements in those use cases, it is important to know the limitations of the CNN and, thus, to detect Out-of-Distribution (OOD) samples. In this work, we present an approach to enable OOD detection for 2D object detection by employing the margin entropy (ME) loss. The proposed method is easy to implement and can be applied to most existing object detection architectures. In addition, we introduce Separability as a metric for detecting OOD samples in object detection. We show that a CNN trained with the ME loss significantly outperforms OOD detection using standard confidence scores. At the same time, the runtime of the underlying object detection framework remains constant rendering the ME loss a powerful tool to enable OOD detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google