분할 정복: 객체 동시 발생(Object Co-occurrence)이 OOD 탐지 시 단순성 편향 완화에 도움을 줍니다

요약

본 기사는 딥러닝 모델의 신뢰성 확보에 필수적인 Out-of-distribution (OOD) 탐지 문제를 다룹니다. 기존 OOD 탐지 방식들이 이미지의 풍부한 문맥 정보를 간과하고 단순성 편향으로 인해 근접 OOD 탐지에 어려움을 겪는 점을 지적합니다. 이에 따라, 인간 시각 시스템에서 영감을 받아 객체 동시 발생(Object Co-occurrence, OCO) 패턴을 포착하는 새로운 객체 중심 OOD 탐지 프레임워크를 제안합니다.

핵심 포인트

• OOD 탐지는 딥러닝 모델의 신뢰성 확보에 매우 중요하며, 기존 방법들은 문맥 정보를 간과하는 한계가 있습니다.
• 근접 OOD(near-OOD) 탐지 시 단순성 편향으로 인해 분리된 표현 학습에 어려움이 발생합니다.
• 제안된 프레임워크는 이미지 내 객체 동시 발생(OCO) 패턴을 포착하여 OOD 탐지의 성능을 개선합니다.
• 객체 중심 접근 방식을 통해 장면 이해를 촉진하고 모델의 신뢰성을 높이는 것이 목표입니다.