• 목록

[일시]
2024.08.08

[세미나 주제]
Multi-scale Out of Distribution Detection

[발표자]
장효영

[요약]
본 발표는 Multi-scale representation을 활용하여 Out-of-Distribution detection성능 향상을 목표로 하는 Multi-scale Out-of-Distribution detection을 주제로 진행하게 되었다.
본 논문은 배경이 혼잡하거나 같은 class내에서 데이터 혹은 객체 간의 높은 variance가 나타날 시, OOD 검출 성능이 낮아지는 문제를 언급하며, global visual information과 local region detail을 활용한 multi-scale OOD Detection(MODE)를 제안한다. 여기서 학습 데이터(Global representation)와 테스트 데이터(Local + Global representation) 간의 scale discrepancy로 인한 성능 저하가 발생할 수 있다. 이에 대해  cross-attentation 기반의 Attention based Local Propagation(ALPA) 알고리즘을 활용, 학습과정에서도 pairwise sample들에 대해 local representation에 대한 학습을 가능하게 하였으며 이를 통해 local representation을 정렬하고 강조하여 classification 및 OOD detection 성능을 향상시켰다. 추가로 Test 단계에서 좀 더 간단하고 유연하며 효과적으로 ID와 OOD를 식별하는 mutli-scale representation 기반의 Cross-scale decision CSD를 제안하였다. 본 방법론은 plug-in, end-to-end 방식으로 좀 더 효과적이고 유연한 메커니즘을 제안하였으며, 여러 benchmark dataset에 대한 검증과 ablation study를 통해 철저히 검증하였다.
객체 혹은 배경에 대한 variance가 상당한 자율주행 혹은 CCTV와 같은 보안 시스템에서 본 방법론이 효과적으로 수행될 수 있을 것으로 기대되며, 향후 Low-Light Image Enhancement(LLIE) task와 본 제안 방법론을 상호보완적으로 활용하여 저조명 상황에서의 객체 탐지 성능을 극대화하고자 한다.

[관련 논문]
- From Global to Local: Multi-scale Out-of-Distribution Detection

[녹화 영상 링크]
https://us02web.zoom.us/rec/share/KXGE_FlyDrvlnXyrcLKVil1-D4xTxBlpaYdFzM-FWhM1l5XxuC_0UjvVU9WWqLVw.gNq6ce4H-cnM0LDC