简要介绍 | OOD目标检测：背景，研究现状，挑战和未来

最新推荐文章于 2024-07-09 10:24:36 发布
最新推荐文章于 2024-07-09 10:24:36 发布
阅读量1.9k 收藏 3
点赞数
分类专栏： # 概念解析 文章标签： 计算机视觉 深度学习 OOD 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qazwsxrx/article/details/131214528
版权

OOD目标检测：背景，研究现状，挑战和未来

1. 引言

在计算机视觉领域，目标检测任务一直是研究的热点。然而，大多数现有的目标检测方法在面对 开放环境中的未知类别（Out-Of-Distribution, OOD）时性能表现不佳。本文将探讨OOD目标检测的背景、研究现状、挑战和未来。

2. 背景

目标检测方法通常在 训练集 上学习，然后在 测试集 上进行评估。然而，现实世界中的环境是开放的，可能包含许多训练集中未出现的类别。这些未知类别被称为 OOD对象。现有的目标检测方法在面对OOD对象时，其性能会大幅下降。

3. 研究现状

了解本专栏 订阅专栏 解锁全文
R.X. NLOS
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
基于深度模型的Out of Distribution(OOD)检测相关方法介绍
迈微AI研习社 · 号主
07-30 4626
最近看了一些Out of Distribution(OOD) detection方面的论文，本文旨在介绍在深度学习背景下的 OOD detection 的相关方法，为之后查阅予以方便，也欢迎有兴趣的人一块交流：）
Out of Distribution(OoD)检测相关方法综述
蓝鲸鱼的博客
03-17 5335
1. Softmax-based 方法 这类方法利用预训练模型输出的最大 softmax 概率进行统计分析，统计发现 OOD 样本和 ID 样本 softmax 概率的分布情况，试图将二者的分布差距加大，然后选取合适的阈值来判断一个样本属于 OOD 还是 ID。这类方法简单且有效，不用修改分类模型的结构，也不需要训练一个 OOD 样本分类器。 SMOOD提出分类正确的样本会得到更大的maximum softmax概率， 通过预测样本的softmax概率可以有效的检测出 OOD 样本。 ODIN提出使用tem
OOD检测方法总结及两种在测试输入生成中的应用
qq_40479372的博客
02-23 1074
OOD检测方法总结及两种在测试输入生成中的应用
广义OOD数据检测方法的概念辨析
qq_40479372的博客
01-23 1211
广义OOD检测包含了异常检测（AD）、新颖性检测（ND）、开集识别（OSR）、分布外（OOD）检测和离群点检测（OD）五个子问题
图片速览 OOD用于零样本 OOD 检测的 CLIPN：教 CLIP 说不
ResumeProject的博客
12-19 348
具体来说，我们设计了一种新颖的可学习的“不”提示和“不”文本编码器，以捕获图像中的否定语义。随后，我们引入了两个损失函数：图像文本二进制相反的损失和文本语义相反的损失，我们用它来教导 CLIPN 将图像与“否”提示相关联，从而使其能够识别未知样本。它由三个网络组成：图像编码器、文本编码器和带有可学习的“no”提示 ρ 的“no”文本编码器。： CLIPN的文本编码器ψ与预训练的CLIP的文本编码器保持相同的结构和参数。（3）“no”文本编码器。表示它们是反向匹配的（即，“no”文本与图像具有相反的语义）。
目标检测综述(一：历史由来和古典目标检测的出现)
RayChiu757374816的博客
11-20 2484
之前我们从神经网络的出现到深度神经网络，再到卷积神经网络都做了详细的描述讲解，本次我们来看一下目标检测的历史演变过程和热门的目标检测网络的详细分析。
目标检测小白入门（一）——背景、指标、数据集
意想不到的一行代码
09-19 5610
一、背景介绍 计算机视觉领域有四大主要任务，分别是图像分类、目标检测、目标跟踪、图像分割。 图像分类的目标是将给定的图像进行分类，给图片或视频分配一个类别标签。（比如图像中大部分都是气球，还有其他物体，要给这个图片或者视频提供气球的标签） 目标检测的有两个主要任务，分别是物体分类和定位，具体来讲就是在图像中用边界框(bounding box)标定多个目标的位置和类别。（具体是用边...
OOD检测：使用MNIST和SVHN的基本分发示例
02-10
**OOD检测：使用MNIST和SVHN的基本分发示例** **一、OOD（Out-of-Distribution）检测介绍** OOD检测，全称为“Out-of-Distribution Detection”，是机器学习领域中的一个重要概念，主要目的是识别那些来自训练数据...
FSSD_OoD_Detection:用于分布不足检测的特征空间奇异性。 （SafeAI 2021）
05-11
特征空间奇异性用于分布外检测 该存储库是论文《。 FSSD算法 FSSD算法的中心思想是使用以下FSSD分数来告诉分布内样本的OoD样本： 在哪里 是特征提取器，并且 是特征空间奇点（FSS）。 我们简单地通过计算均匀噪声...
matlab代码黄色-OoD_Mining:BMVC2018实施“用于新颖性和异常检测的度量学习”
05-21
matlab代码黄色公制学习的新颖性和异常检测 这已在BMVC 2018上接受。还提供了包括补充材料的。 如何运行tensorflow代码 对于我们的ODM实施版本，该示例是根据表1中第4.1节的实验完成的。 我们将SVHN或CIFAR-10上的...
OOD-detection-using-OECC:具有置信度控制的异常值分布，用于分布外检测
05-05
使用OECC进行OOD检测 该存储库包含纸的的基本代码。 在2021年被Neurocomputing接受为Journal文章。 1.什么是具有信心控制的异常值暴露（OECC）？ 是一种技术，可帮助深度神经网络（DNN）学习如何区分分布内（OOD）数据和分布外（OOD）数据，而无需访问OOD样本。 已经证明该技术可以推广到新的分布。 为了了解如何区分分布内样本和分布外样本，OECC通过在softmax层的输出端产生均匀分布来使DNN对于OOD样本具有高度不确定性。 同时，它还可以对分布样本进行预测，其平均置信度接近其训练精度，即控制其置信度。 在图像和文本分类任务中，使用OE进行OOD检测时，总体OECC损失函数要优于以前的SOTA结果。 此外，我们在中通过实验表明，通过将OECC与SOTA后训练方法（如或结合用于OOD检测，可以在OOD检测任务中获得SOTA结果。 2.可视化OECC背
ood-solid:面向对象设计的SOLID原理
03-06
面向对象设计（Object-Oriented Design，OOD）是软件开发中的一个重要概念，它基于类和对象的概念，通过封装、继承和多态等机制来构造复杂的系统。在面向对象设计中，SOLID原则是一个核心概念，它由五条基本的设计...
ood-concept:此存储库包含 Java 的 ood 概念
06-30
**OOD（Object-Oriented Design）概念：** OOD，即面向对象设计，是软件开发中的一种...通过学习和研究这些内容，开发者可以更深入地理解如何在实际项目中应用面向对象设计原则，提高代码的可读性、可维护性和复用性。
目标检测基础入门
小白不白
04-20 2780
目标检测基础入门 一、概述 （1）背景 目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于诸多领域，有重要的意义。由于深度学习的广泛运用，目标检测算法得到了较为快速的发展。 （2）目标检测别研究方法主要分为两类。 ①基于传统图像处理和机器学习算法的目标检测 主要可以表示为：目标特征提取→目标识别→目标定位。 这里所用到的特征都是认为设计的，通过这些特征对目标进行识别，然后再结合相应的策略对目标进行定位。 ②基于深度学习的目标检测 主要可以表示为：图像的深度特征提取→基于深度神经网络的目标识别与定位
论文阅读【用监督对比学习建模域外检测(OOD Detection) 的 鉴别表示】
anxiaomai520的博客
04-01 1633
用监督对比学习 建模域外检测(OOD Detection) 的 鉴别表示 Modeling Discriminative Representations for Out-of-Domain Detection with Supervised Contrastive Learning
Unknown-Aware Object Detection:Learning What You Don’t Know from Videos in the Wild(未知目标检测)CVPR 2022
qq_54828577的博客
07-25 1869
构建能够检测出分布外(OOD)对象的可靠的目标检测器至关重要，但尚未得到充分的研究。关键的挑战之一是，模型缺乏来自未知数据的监督信号，导致对OOD对象的预测过于自信。我们提出了一种新的，通过，从野生视频中提取未知对象，并有意义地规范化模型的决策边界。STUD首先在空间维度上识别未知的候选物体建议，然后将多个视频帧中的候选物体聚集起来，形成决策边界附近的多样化未知物体集。同时，我们采用了基于能量的不确定性正则化损失，它形成了不确定性在分布和蒸馏的未知对象之间的空间。......
AI百题--第七天突击题
GlassySky的博客
05-20 253
1. 简述梯度提升树（GBDT）原理 Decision Tree：CART回归树 GBDT使用的决策树是CART回归树，无论是处理回归问题还是二分类以及多分类，GBDT使用的决策树都是CART回归树。为什么不用CART分类树呢？因为GBDT每轮的训练是在上一轮的训练的残差基础之上进行训练的。这里的残差就是当前模型的负梯度值 。这个要求每轮迭代的时候，弱分类器的输出的结果相减是有意义的。残差相减是有意义的。如果选用的弱分类器是分类树，类别相减是没有意义的。 对于回归树算法来说最重要的是寻找最佳的划分点，那
计算机视觉
m0_71709925的博客
11-21 2174
目标检测 摘要：如今人们生活在日新月异的计算机革命时代，而计算机视觉已经成为多个领域的关键技术。目标检测是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力，尤其是在复杂的场景中，需要对多个目标进行实时处理，目标检测就显得尤为重要，随着计算机技术和计算机视觉的发展，目标检测已经运用到了智能化交通系统，智能监控系统，军事目标检测以及医疗等各个行业和领域，本文主要从目标检测的背景和意义，目标检测的研究现状以及目标检测的算法等三个方面进行说明，同时介绍最
昇思MindSpore学习笔记6-02计算机视觉--ResNet50迁移学习
最新发布
muren的专栏
07-09 824
记录MindSporeAI框架使用ResNet50迁移学习方法对ImageNet狼狗图片分类的过程、步骤。包括环境准备、下载数据集、数据集加载、构建模型、固定特征训练、训练评估和模型预测等。
ood数据检测方法 研究背景
11-09
ood数据检测方法是一种用于检测模型对于未见过的（out-of-distribution，OOD）数据的方法。在机器学习中，模型的性能通常是通过在训练集上的表现来评估的。然而，训练集往往只是整个数据分布的子集，模型在其他未见过的数据上的表现可能会出现较差的情况。因此，为了提高模型的泛化能力和鲁棒性，研究人员开始关注如何有效地检测和处理OOD数据。 研究背景包括以下几个方面。首先，现实世界中的数据分布通常非常复杂，包含各种未见过的变化和异常情况。如果模型只能处理已经在训练过程中见过的数据，那么它在面对未知变化时可能会出现错误的预测结果，从而导致严重的问题。其次，为了满足实际应用的需求，模型需要能够对OOD数据进行准确的识别和分类，而不仅仅是将其误认为训练集中的某一类别。 在过去的几年里，研究人员提出了许多方法用于OOD数据检测。这些方法包括但不限于基于置信度的方法、生成对抗网络（GANs）和可变性估计。基于置信度的方法通过对模型的输出概率进行分析来判断输入是否为OOD数据。GANs则通过训练一个生成器网络来模拟训练数据的分布，并利用生成器网络与模型的输出之间的差异来检测OOD数据。可变性估计方法则通过度量模型对于输入数据的不确定性来判断输入是否为OOD数据。 总之，OOD数据检测方法的研究背景是模型在面对未见过的数据时可能出现性能下降的问题。为了提高模型的泛化能力和鲁棒性，研究人员提出了各种方法用于有效地检测和处理OOD数据。这些方法的应用有助于提高模型在现实世界中的应用能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

R.X. NLOS

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值