公众号:皮皮嬉
Few-shot相关
CLIP the Gap: A Single Domain Generalization Approach for Object Detection
CVLab EPFL,ClearSpace SA
https://arxiv.org/pdf/2301.05499.pdf
单域泛化(Single Domain Generalization,SDG)解决了在单源域上训练模型的问题,使其泛化到任何未见过的目标域。虽然这在图像分类中已经得到了很好的研究,但关于SDG目标检测的文献仍然几乎不存在。为解决同时学习鲁棒物体定位和表示的挑战,本文提出利用预训练的视觉-语言模型通过文本提示引入语义领域概念。通过对检测器主干提取的特征进行语义增强策略,以及基于文本的分类损失来实现这一点。实验证明了所提出方法的好处,在其自己的不同天气驾驶基准上,比唯一现有的SDG目标检测方法Single-DGOD[49]的性能提高了10%。
Out-Of-Distribution Detection Is Not All You Need
AAAI 2023
图卢兹大学,LAAS-CNRS,ONERA, Toulouse
https://arxiv.org/pdf/2211.16158.pdf
深度神经网络在安全关键系统safety-critical systems中的使用受到保证其正确行为的能力的限制。运行时监控Runtime monitors旨在识别不安全的预测并在它们可能导致灾难性后果之前丢弃它们。最近关于运行时监控的几项工作都集中在分布外(OOD)检测,即识别与训练数据不同的输入。本文认为,OOD检测不是一个很适合设计高效运行时监视器的框架,而更重要的是根据监视器丢弃错误预测的能力来评估它们。我们将这种设置称为模型范围外检测out-of-model-scope detection,并讨论与OOD在概念上的差异。还在文献中流行的数据集上进行了广泛的实验,表明在OOD设置中研究监视器可能会产生误导。非常好的OOD结果会给人一种安全的错误印象。OOD设置下的比较不允许识别最佳监视器以检测错误。最后,我们展示了删除错误的训练数据样本有助于训练更好的监视器。