BAM: Box Abstraction Monitors for Real-time OoD Detection in Object Detection

深度神经网络（DNNs）的离群检测技术变得至关重要，因为它们可以过滤异常输入，特别是当DNNs用于安全关键应用并与开放和动态环境交互时。然而，将离群检测集成到最先进的目标检测DNN中存在重大挑战，部分原因是由于最先进的离群检测构建方法引入的复杂性，这些方法需要修改DNN体系结构并引入复杂的损失函数。本文提出了一种简单但出奇地有效的方法，称为基于框抽象的监视器（BAM），它不需要重新训练或在目标检测DNN中进行架构更改。BAM的新颖之处在于使用有限的凸框抽象的并集来捕捉对象的学习特征，以进行内部分布（ID）数据，并且一个重要的观察结果是来自OoD数据的特征更可能落在这些框之外。特征空间内的凸区域的并集允许形成非凸和可解释的决策边界，克服了类似于VOS检测器的限制，而不会牺牲实时性能。将BAM集成到基于Faster R-CNN的目标检测DNN中的实验表明，与最先进的OoD检测技术相比，性能有了显着的提高。

本文旨在解决在目标检测深度神经网络中集成OoD检测技术所面临的挑战，提出一种称为BAM的简单但有效的方法。

BAM方法使用一组凸盒子抽象来捕捉对象的学习特征，通过观察OoD数据的特征更容易落在这些盒子之外，从而形成非凸和可解释的决策边界。

本文提出的BAM方法不需要重新训练或改变DNN架构，实验结果表明在Faster R-CNN目标检测DNN中集成BAM方法可以显著提高OoD检测性能，同时不影响实时性能。

相关研究包括使用VOS等检测器的OoD检测方法，以及使用复杂的损失函数和DNN架构进行OoD构造的SOTA方法。