摘要

标准机器学习方法难以处理偏离训练数据分布的输入。由此产生的模型常常对错误预测表现出过度自信，可能导致灾难性后果。这一问题在密集预测（dense prediction）场景中尤为突出，因为输入图像可能仅部分存在异常。以往研究通过使用现成的负样本数据集进行判别式训练来解决密集型分布外检测问题。然而，真实负样本数据几乎不可能覆盖整个视觉世界的全部模式。为此，我们提出一种扩展方法：在内点流形（inlier manifold）边界生成合成负样本块。我们利用一种联合训练的归一化流（normalizing flow），其基于覆盖导向的学习目标，具备在不同分辨率下生成样本的能力。异常检测基于一个具有理论基础的信息论准则，该准则可在训练与推理阶段保持一致应用。所提出的模型在道路驾驶场景与遥感图像的分布外检测基准测试中均取得了新的最先进性能，且计算开销极低。