![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
通用out-of-distribution
文章平均质量分 92
yijun009
这个作者很懒,什么都没留下…
展开
-
Generative Cooperative Learning for Unsupervised Video Anomaly Detection
在现实世界中,基于学习的异常检测任务极具挑战性,这主要是因为此类事件很少发生。由于这些事件的无约束性质,这一挑战进一步加剧。因此,获取足够的异常示例是相当麻烦的,而人们可以安全地假设,将永远不会收集到一个详尽的集合,特别是训练完全监督的模型所需的集合。为了使学习变得容易理解,通常将异常归因于与正常数据的显著偏差。因此,异常检测的一种流行方法是训练一类分类器,该分类器仅使用正常训练示例来学习主要数据表示。单类分类(OCC)方法的一个明显缺点是正常训练数据的可用性有限,无法捕获所有正常变化[9]。原创 2022-12-08 19:11:48 · 532 阅读 · 0 评论 -
Partial and Asymmetric Contrastive Learning for Out-of-Distribution Detection in Long-Tailed Recogni
现有的分布外(OOD)检测方法通常在具有平衡类分布的训练集上进行基准测试。然而,在实际应用中,训练集通常具有长尾分布。在这项工作中,我们首先证明当训练集是长尾分布时,现有的OOD检测方法通常会遭受显着的性能下降。通过分析,我们认为这是因为模型难以将分布中的少数尾类样本与真正的OOD样本区分开来,使得尾类更容易被错误地检测为OOD。为了解决这个问题,我们提出了部分和非对称监督对比学习(PASCL),它明确鼓励模型区分尾类分布样本和OOD样本。...原创 2022-07-18 11:16:08 · 324 阅读 · 0 评论 -
ORDER: OpenWorld Object Detection on Road Scenes
ORDER: OpenWorld Object Detection on Road Scenes发表于NeurIPS 2021Code: 没有对象检测是自主导航系统中的一个关键组件,可以对道路场景中的对象进行定位和分类。现有的目标检测方法是根据道路场景中存在的固定数量的已知类别进行训练和推断的。然而,在现实世界或开放世界的道路场景中,在推理时,我们会遇到检测模型在训练时没有看到的未知对象。因此,我们提出道路场景的开放世界对象检测(ORDER)来解决上述道路场景的问题。OWOD问题我们发现 ORE 框架在应用原创 2022-06-08 14:41:41 · 389 阅读 · 3 评论 -
Pixel-wise Anomaly Detection in Complex Driving Scenes
Pixel-wise Anomaly Detection in Complex Driving ScenesCVPR2021Code: https://github.com/giandbt/SynBoost摘要最先进的语义分割方法无法检测异常实例,这阻碍了它们在安全关键和复杂应用中的部署,例如自动驾驶。最近的方法集中在利用分割不确定性来识别异常区域或从语义标签图中重新合成图像以发现与输入图像的不同之处。在这项工作中,我们证明了这两种方法包含互补信息,并且可以结合起来为异常分割产生稳健的预测。我们原创 2022-05-18 16:48:47 · 1462 阅读 · 5 评论 -
Uncertainty Aware Proposal Segmentation for Unknown Object Detection
Uncertainty Aware Proposal Segmentation for Unknown Object Detection发表于WACV 2022摘要介绍大背景小背景方法3.1 proposal 分割RBF 网络边界正则化。2D 维度中的小示例3.2. Proposal Classification4. Experiments4.1. OOD Object Detection in Outdoor Scenes提案分割。整个图像分割。原创 2022-05-18 14:34:43 · 801 阅读 · 0 评论 -
【无标题】
24ORDER: OpenWorld Object Detection on Road Scenes发表于NeurIPS 2021Code: 没有摘要对象检测是自主导航系统中的一个关键组件,可以对道路场景中的对象进行定位和分类。现有的目标检测方法是根据道路场景中存在的固定数量的已知类别进行训练和推断的。然而,在现实世界或开放世界的道路场景中,在推理时,我们会遇到检测模型在训练时没有看到的未知对象。因此,我们提出道路场景的开放世界对象检测(ORDER)来解决上述道路场景的问题。首先,我们引入 F原创 2022-05-18 13:16:28 · 113 阅读 · 0 评论 -
Learning Open-World Object Proposals Without Learning to Classify
Learning Open-World Object Proposals Without Learning to ClassifyIEEE Robotics and Automation Letters 2022Code: https://github.com/mcahny/object_localization_network .摘要现有方法经常难以处理训练集中不存在的开放世界中的新物体。我们发现问题在于现有候选框提取方法中的二元分类器倾向于过度拟合训练类别。因此,我们提出了一个无分类对象定原创 2022-05-18 13:03:08 · 1343 阅读 · 0 评论 -
OBJECTS IN SEMANTIC TOPOLOGY
OBJECTS IN SEMANTIC TOPOLOGYICLR2022Code: 好像没有摘要1. 介绍1.1 大背景1.2 小背景1.3 解决办法2. 相关工作2.1 目标检测器的普通训练策略缺乏防止增量学习中2.2 类增量学习2.3 开放集学习2.4 零次学习3. 方法3.1 problem definition3.2 方法总览3.3 UNKNOWN-AWARE RPN3.4 SEMANTIC TOPOLOGY3.4.1 SEMANTIC ANC原创 2022-05-18 12:52:53 · 300 阅读 · 0 评论 -
Expanding Low-Density Latent Regions for Open-Set Object Detection
Expanding Low-Density Latent Regions for Open-Set Object DetectionCVPR2022Code: https://github.com/csuhan/opendet2这篇文章认为,CVPR2021oral(OWOD)中的方法需要未知类的额外开放集数据,违反了OSOD的原始定义。 我认为是OWOD是一个增量学习+OSOD的过程。OWOD:Open world object detectionOSOD:Open set object d原创 2022-05-18 12:34:58 · 1247 阅读 · 1 评论 -
Learning Placeholders for Open-Set Recognition
Learning Placeholders for Open-Set RecognitionCVPR2021Code: https://github.com/zhoudw-zdw/CVPR21-Proser.git摘要传统分类器部署在闭集设置下,训练类和测试类属于同一个集合。然而,现实世界的应用程序可能面临未知类别的输入,模型会将它们识别为已知类别。在这种情况下,提出了开放集识别以保持对已知类的分类性能并拒绝未知数。封闭集模型对熟悉的已知类实例进行过度自信的预测,因此当扩展到开放集环境时,跨类别的校原创 2022-05-17 21:08:21 · 662 阅读 · 0 评论 -
Towards Open World Detection
Towards Open World Detection(OWOD)2021 cvpr;K J Joseph†‡, Salman Khan;澳大利亚国立大学;{cs17m18p100001,vineethnb}@iith.ac.inCode: https://github.com/JosephKJ/OWOD介绍大背景已有的工作解决问题的方法方法对比聚类用RPN给未知实例打上标签避免遗忘代码实验增量学习不同阶段的数据集实验结果指标表格图.原创 2022-05-17 20:08:16 · 466 阅读 · 0 评论