Out-of-distribution Object Detection through Bayesian Uncertainty Estimation

要約

オブジェクト検出器の優れたパフォーマンスは、多くの場合、テスト サンプルがトレーニング データと同じ分布にあるという条件下で確立されます。
ただし、実際のアプリケーションの多くでは、配布外 (OOD) インスタンスが避けられず、通常は結果に不確実性が生じます。
この論文では、OOD 検出のための、新規で直感的かつスケーラブルな確率的オブジェクト検出方法を提案します。
重み分布を推測するために莫大な計算コストを必要とするか、合成外れ値データによるモデルトレーニングに依存する他の不確実性モデリング手法とは異なり、私たちの方法は、提案された重みパラメータサンプリングを介して分布内（ID）データとOODデータを区別できます。
事前トレーニングされたネットワークに基づくガウス分布。
ID データセットとして BDD100k および VOC データセットでトレーニングし、COCO2017 データセットで評価した場合、ベイジアン オブジェクト検出器が FPR95 スコアを最大 8.19% 減少させ、AUROC スコアを最大 13.94% 増加させることで、満足のいく OOD 識別パフォーマンスを達成できることを実証します。
OOD データセット。

要約(オリジナル)

The superior performance of object detectors is often established under the condition that the test samples are in the same distribution as the training data. However, in many practical applications, out-of-distribution (OOD) instances are inevitable and usually lead to uncertainty in the results. In this paper, we propose a novel, intuitive, and scalable probabilistic object detection method for OOD detection. Unlike other uncertainty-modeling methods that either require huge computational costs to infer the weight distributions or rely on model training through synthetic outlier data, our method is able to distinguish between in-distribution (ID) data and OOD data via weight parameter sampling from proposed Gaussian distributions based on pre-trained networks. We demonstrate that our Bayesian object detector can achieve satisfactory OOD identification performance by reducing the FPR95 score by up to 8.19% and increasing the AUROC score by up to 13.94% when trained on BDD100k and VOC datasets as the ID datasets and evaluated on COCO2017 dataset as the OOD dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google