LMS auf der ICCV 2023
Dieses Jahr hat unser Machine Learning Team an der International Conference on Computer Vision (ICCV) 2023 mit zwei Konferenzbeiträgen und einem Workshopbeitrag teilgenommen. Unser erster Beitrag handelt von „Out-of-Distribution Detection for Monocular Depth Estimation“. Der Beitrag stellt einen Ansatz zur Schätzung der epistemischen Unsicherheit auf Pixelebene vor. Zweitens haben wir einen Ansatz zum Thema „Residual Pattern Learning for Pixel-Wise Out-of-Distribution Detection in Semantic Segmentation“ vorgestellt. Hier wird ein Ansatz vorgestellt, der Pixel außerhalb der Verteilung erkennt, ohne die Modellleistung zu beeinträchtigen. Drittens, unser Workshopbeitrag „SelectNAdapt: Support Set Selection for Few-Shot Domain Adaptation“. Unsere Arbeit stellt einen Ansatz vor, der die zufällige Auswahl von Unterstützungsmengen durch einen effizienteren Mechanismus ersetzt, der repräsentative Stichproben aus dem Zielbereich auswählt.
Weitere Informationen zu den einzelnen Veröffentlichungen sind unten zu finden. Die Modelle und der Quellcode aller Arbeiten sind öffentlich zugänglich. Vielen Dank an Youssef Dawoud (im Bild), der sich die Zeit genommen hat, die Gruppe über die Ergebnisse der Konferenz zu informieren.
Link zu Out-of-Distribution Detection for Monocular Depth Estimation: https://openaccess.thecvf.com/content/ICCV2023/html/Hornauer_Out-of-Distribution_Detection_for_Monocular_Depth_Estimation_ICCV_2023_paper.html
Link zu Residual Pattern Learning for Pixel-Wise Out-of-Distribution Detection in Semantic Segmentation: https://openaccess.thecvf.com/content/ICCV2023/html/Liu_Residual_Pattern_Learning_for_Pixel-Wise_Out-of-Distribution_Detection_in_Semantic_Segmentation_ICCV_2023_paper.html
Link zu SelectNAdapt: Support Set Selection for Few-Shot Domain Adaptation: https://openaccess.thecvf.com/content/ICCV2023W/LIMIT/html/Dawoud_SelectNAdapt_Support_Set_Selection_for_Few-Shot_Domain_Adaptation_ICCVW_2023_paper.html