从凹庙行早。

量子比特|微信官方账号QbitAI

这一次，域外物体检测开发了一种新的模型VOS，合作团队来自威斯康星大学麦迪逊分校。该论文已被ICLR2022收录。

该模型在物体检测和图像分类方面取得了最佳性能，FPR95指标相比之前的最佳效果降低了7.87%之多。

深度网络中未知情况的处理一直是个难题。

例如，在自动驾驶中，识别已知物体(如汽车和停车标志)的检测模型通常& quot指鹿为马& quot，这将为域外对象(OOD)生成高可信度预测。

就像下图中的驼鹿一样，在Faster-RCNN模型下以89%的置信度被识别为行人。

因此，外来物体的检测无疑成为AI安全中一个非常重要的课题。

我们来看看这个模型是如何判断领地外的物体的。

VOS如何检测域外物体

其实也很好理解。神经网络毕竟只是学习、训练、测试的数据，遇到没见过的东西自然不知道。

为了解决这个问题，我们必须想办法让网络知道& quot未知& quot事情。我该怎么办？

VOS想了一个办法，模拟一个外星物体让模型学习。

比如下图的探测情况，其中三个灰点就是我们的目标。当模拟域外没有物体时(左)，模型只能在较大范围内环绕目标。

但在用域外的模拟对象(右图)进行训练后，模型可以紧凑准确地锁定目标，形成更合理的决策边界。

一旦更准确的锁定目标，只要在这个范围之外，其他物体都可以判断为域外物体。

基于这个想法，VOS的团队建立了这样一个框架：

基于fast-RCNN网络，将模拟域外对象的一部分数据添加到分类头中，并与训练集中的数据放在一起，以构建标准化的不确定性损失函数。

而这些模拟域外对象的数据从何而来？从结构图中可以看出，这些点都来自目标区域周围(蓝点、黄色方块和绿色三角形)，也就是低似然区域。

最后根据置信度的计算，蓝色代表目标探测数据，绿色代表异物。

为了判断图像中的汽车和驼鹿。

与许多其他异物检测方法相比，我们可以看到VOS的优势。

每个指标中向下的箭头表示数据越小越好；相反，数据越大越好。

其中FPR95最为突出，描述了在OOD样本分类准确率为95%的情况下，OOD样本被错误分类为ID样本的概率。

这个成绩比之前最好成绩低了7.87%。

与现有的其他方法相比，也显示了VOS的优势。

作为一个通用的学习框架，它可以应用于两个任务：目标检测和图像分类。以前的方法主要是由图像分类驱动的。

目前该模型已经在GitHub上开源。

作者简介

杜学峰毕业于Xi交通大学，获得学士学位，目前在威斯康星大学攻读计算机科学博士学位。

主要研究方向是可信机器学习，包括异物检测、对抗鲁棒性、噪声标签学习等。

蔡牧，毕业于交通大学，目前是威斯康辛大学计算机系的大二学生。

研究兴趣集中在深度学习、计算机视觉，尤其是3D场景理解(点云检测)和自监督学习。

这篇论文的通讯作者是SharonYixuanLi，他目前是威斯康星大学麦迪逊分校的计算机科学助理教授，之前在FacebookAI担任研究员。

参考链接：

[1]https://Twitter.com/Martin _ gorner/status/1489671903727915008

[2]https://arxiv . org/ABS/2202.01197

[3]https://sites . Google.com/view/mucai

[4]https://www . LinkedIn.com/in/Xuefeng-du-094723192/details/experience/

[5]https://github.com/deep learning-wisc/vos