Out-of-Distribution Detection for Monocular Depth Estimation

要約

単眼奥行き推定では、不確実性推定アプローチは主に、画像ノイズによってもたらされるデータの不確実性を対象としています。
これまでの研究とは対照的に、トレーニング分布によって表されないデータ、いわゆる分布外 (OOD) データの検出に関連する知識の欠如による不確実性に対処します。
異常検出を動機として、再構成誤差に基づいてエンコーダ/デコーダ深さ推定モデルから OOD 画像を検出することを提案します。
固定深度エンコーダで抽出された特徴を考慮して、分布内データのみを使用して画像再構成用の画像デコーダをトレーニングします。
その結果、OOD 画像では高い再構成誤差が生じます。これを、分布内サンプルと分布外サンプルを区別するために使用します。
標準的な NYU Depth V2 と KITTI ベンチマークを分布内データとして使用して実験を構築しました。
私たちのポストホック手法は、さまざまなモデルで驚くほど良好に機能し、トレーニングされたエンコーダー/デコーダー深さ推定モデルを変更することなく、既存の不確実性推定アプローチを上回ります。

要約(オリジナル)

In monocular depth estimation, uncertainty estimation approaches mainly target the data uncertainty introduced by image noise. In contrast to prior work, we address the uncertainty due to lack of knowledge, which is relevant for the detection of data not represented by the training distribution, the so-called out-of-distribution (OOD) data. Motivated by anomaly detection, we propose to detect OOD images from an encoder-decoder depth estimation model based on the reconstruction error. Given the features extracted with the fixed depth encoder, we train an image decoder for image reconstruction using only in-distribution data. Consequently, OOD images result in a high reconstruction error, which we use to distinguish between in- and out-of-distribution samples. We built our experiments on the standard NYU Depth V2 and KITTI benchmarks as in-distribution data. Our post hoc method performs astonishingly well on different models and outperforms existing uncertainty estimation approaches without modifying the trained encoder-decoder depth estimation model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google