Finding Dino: A plug-and-play framework for unsupervised detection of out-of-distribution objects using prototypes

在视觉领域中，检测和定位任何场景中的未知或超出分布（OOD）对象可能是一项具有挑战性的任务。尤其是在涉及自动驾驶汽车或火车等自主系统的安全关键情况下。监督异常分割或开放世界对象检测模型依赖于对每个领域进行详尽注释的数据集的训练，仍然难以区分背景和OOD对象。在这项工作中，我们提出了一个即插即用的通用框架 - 基于原型的零样本OOD检测（PROWL）。它是一种基于推理的方法，不需要在领域数据集上进行训练，并依赖于从自监督预训练模型中提取相关特征。PROWL可以通过指定来自该领域的已知类别列表，轻松适应于检测任何操作设计领域中的OOD对象。作为一种无监督方法，PROWL在SegmentMeIfYouCan（SMIYC）基准提供的RoadAnomaly和RoadObstacle数据集上，表现优于其他没有辅助OOD数据训练的监督方法。我们还展示了它在其他领域，如铁路和海上场景中的适用性。

本文旨在解决在自动化系统中检测和定位未知或分布外（OOD）对象的问题，特别是在涉及自动驾驶汽车或火车等安全关键情况下。

本文提出了一种基于原型的无标签零样本OOD检测框架（PROWL），它是一种基于推理的方法，不需要在域数据集上进行训练，并依赖于从自监督预训练模型中提取相关特征。

PROWL是一种无监督方法，可以在不同领域中轻松适应以检测OOD对象，并且在SegmentMeIfYouCan（SMIYC）基准测试提供的RoadAnomaly和RoadObstacle数据集上优于其他无辅助OOD数据训练的监督方法。本文还演示了它在其他领域（如铁路和海上场景）的适用性。

与此相关的最新研究包括：《Anomaly Detection in Images using Deep Learning Techniques》、《A survey of deep learning-based anomaly detection in industrial internet of things》等。