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.
Out-of-distribution (OOD) detection은 딥러닝 모델의 신뢰성을 보장하는 데 매우 중요합니다. 기존 방법들은 주로 정규적인 얽힘 표현(entangled representations)에 초점을 맞춰 인-분포(ID) 데이터와 OOD 데이터를 구별하며, 이미지 내 풍부한 문맥 정보를 간과하고 있습니다. 이 문제는 특히 근접 OOD(near-OOD) 탐지에서 까다로운데, 단순성 편향(simplicity bias)을 가진 모델들은 분리된 표현(disentangled representations)에서 판별적인 특징을 학습하는 데 어려움을 겪기 때문입니다. 인간의 시각 시스템은 자연 환경에서 객체들의 동시 발생(co-occurrence)을 사용하여 장면 이해를 촉진할 수 있습니다. 이에 영감을 받아, 우리는 이미지 내 객체 CO-occurrence (OCO) 패턴을 포착하도록 학습하는 객체 중심 OOD 탐지 프레임워크를 제안합니다. 제안된 방법은 새로운
github.com/Michael-McQueen/OCO.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기