Towards Overcoming False Positives in Visual Relationship Detection
SenseTime Research（商汤科技研究院）；Beihang University（北京航空航天大学）；National University of Singapore（新加坡国立大学）；ByteDance AI Lab（字节跳动人工智能实验室）；The Chinese University of Hong Kong（香港中文大学）
本文研究了视觉关系检测（VRD）中高误报率的原因。我们观察到，在训练期间，关系提议分布是高度不平衡的：大多数负面关系提议很容易识别，例如，不准确的目标检测，从而导致低频下拟合困难的建议。本文提出了空间感知平衡负pRochosAmpling（SABRA），一个强大的VRD框架，消除假阳性的影响。为了有效地优化非均衡分布下的模型，SABRA采用了平衡负建议抽样（Balanced Negative Proposal Sampling，简称BSPs）策略进行小批量抽样。Bethesda将建议划分为5个定义良好的子类，并根据逆频率生成均衡的训练分布。BERRY提供了一个更简单的优化环境，并显着减少了误报的数量。为了进一步解决具有高空间模糊性的低频率挑战性误报建议，我们从两个方面改进了SABRA的空间建模能力：一个简单高效的多头异构图注意力网络（MH-GAT），用于建模对象的全局空间交互，以及一个学习局部空间配置的空间掩码解码器。SABRA在两个人-物交互（HOI）数据集和一个通用VRD数据集上的性能大大优于SOTA方法。
2020-12-24 cs.CV cs.LG
Controlling False Positives in Image Segmentation via Conformal Prediction
IRT Saint Exupéry（伊尔-德-圣埃克苏佩里研究院）
通过置信预测控制图像分割中的假阳性，提供无分布的图像层面控制和有限样本保证。
2025-11-19 cs.CV cs.LG
Enhancing Sound Source Localization via False Negative Elimination
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对声源定位中随机采样负样本导致的假阴性问题，提出包含自监督预测学习（SSPL）和语义感知对比学习（SACL）的视听学习框架，有效消除假阴性并提升性能。
2024-08-29 cs.CV
Box Re-Ranking: Unsupervised False Positive Suppression for Domain Adaptive Pedestrian Detection
Zhejiang University（浙江大学）；Hikvision Research Institute（海康威视研究院）
在领域自适应行人检测中，不可知的领域移动带来的最严重的问题之一是误报。然而，不可能在无数的目标域中标记每个框。因此，它引起了我们的注意，以无监督的方式抑制每个目标域中的误报。本文创新性地将目标检测任务建模为正负盒排序任务，从而将误报抑制问题巧妙地转化为盒重排序问题，使得无需人工标注即可求解。在框重新排序过程中出现的附加问题是，没有标记的验证数据可用于cherrypicking。考虑到我们的目标是保持真阳性的检测不变，我们提出了框号对齐，一个自监督的评价指标，以防止优化模型的容量退化。在跨域行人检测数据集上进行的大量实验证明了我们提出的框架的有效性。此外，扩展到两个一般的无监督域自适应目标检测基准也支持我们的优势，其他国家的最先进的。
2021-02-01 cs.CV
FaNe: Towards Fine-Grained Cross-Modal Contrast with False-Negative Reduction and Text-Conditioned Sparse Attention
Peng Zhang 1 , Zhihui Lai 1 , Wenting Chen 2 1 1 footnotemark: 1 , Xu Wu 1 , Heng Kong 3（某机构）
针对医学视觉语言预训练中假阴性和细粒度跨模态对齐不足的问题，提出FaNe框架，通过语义感知正样本挖掘和文本条件稀疏注意力池化模块，提升跨模态对齐效果并在多任务上取得最优性能。
2025-11-15 cs.CV
From COCO to COCO-FP: A Deep Dive into Background False Positives for COCO Detectors
Intellindust（英泰利工业）；Guilin University Of Electronic Technology（桂林电子科技大学）；ETH Zurich（苏黎世联邦理工学院）
针对COCO数据集上目标检测器存在大量非目标背景杂波导致的假阳性问题，研究推出源自ImageNet-1K的COCO-FP评估数据集，实验显示闭集和开集场景下假阳性问题显著，为相关性能评估提供新基准。
2024-09-12 cs.CV
False Negative Reduction in Semantic Segmentation under Domain Shift using Depth Estimation
Ruhr University Bochum（博尔塔伦大学波恩姆大学）；University of Wuppertal（乌珀塔尔大学）；EPFL（瑞士联邦理工学院）
通过单目深度估计减少域移时语义分割中的假阴性，提升分割精度和泛化能力。
2022-12-07 cs.CV
Did You Miss the Sign? A False Negative Alarm System for Traffic Sign Detectors
Queensland University of Technology（昆士兰科技大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）
目标检测是自动驾驶车辆的一个组成部分，用于其安全关键和导航目的。交通标志作为一种对象，在引导这种系统中起着至关重要的作用。然而，如果车辆未能找到任何关键标志，它可能会造成灾难性的故障。在本文中，我们提出了一种方法来识别交通标志已被错误地丢弃的对象检测器。所提出的方法提出了一个警报，当它发现一个失败的对象检测器检测交通标志。这种方法对于在部署阶段评估检测器的性能非常有用。我们训练了一个Single Shot多盒对象检测器来检测交通标志，并使用其内部特征来训练一个单独的假阴性检测器（FND）。在部署期间，FND决定交通标志检测器（TSD）是否错过了标志。我们使用查准率和查全率来衡量FND在两个不同数据集中的准确性。对于80%的召回率，FND在比利时交通标志检测数据集和德国交通标志识别基准数据集中分别达到了89.9%和90.8%的准确率。据我们所知，我们的方法是第一个解决机器人视觉中假阴性检测这一关键方面的方法。这种用于目标检测的故障安全机制可以改善机器人视觉系统在我们日常生活中的参与。
2019-03-15 cs.CV
Mining Negative Temporal Contexts For False Positive Suppression In Real-Time Ultrasound Lesion Detection
Peking University（北京大学）；Pazhou Laboratory (Huangpu)（琶洲实验室（黄埔））；Yizhun Medical AI Co., Ltd（医准智能科技有限公司）
针对超声实时病灶检测中通用模型假阳性高、未利用历史帧负时间上下文的问题，提出在逆向光流引导下提取并聚合历史帧负上下文的UltraDet模型，实现假阳性抑制且性能超现有最优模型，同时保持实时推理速度并开源相关资源。
2023-07-19 cs.AI cs.CV
Emphasis on the Minimization of False Negatives or False Positives in Binary Classification
随着人类开始在当前产品中实施更多的机器学习，最小化二进制分类中的特定情况（如假阴性或假阳性）变得越来越重要。虽然有一些方法可以减少特定情况的偏差，但这些方法不是很有效，因此它们在模型中的使用很少。为此，引入了一种新方法来减少假阴性或假阳性，而不会大幅改变模型的整体性能或F1得分。这种方法涉及在预训练模型之后小心地改变输入的真实值。介绍了这种方法在各种数据集上应用的结果，有些数据集比其他数据集更复杂。通过在这些数据集上对多个模型架构进行实验，找到了最佳模型。在所有模型中，召回率或准确率都有所提高，分别最小化了假阴性或假阳性，而F1分数没有大幅下降。
2022-04-06 cs.CV cs.LG
Boosting Contrastive Self-Supervised Learning with False Negative Cancellation
Google（谷歌）；Google Research（谷歌研究院）；TTI-Chicago（芝加哥丰田技术研究所）；University of Chicago（芝加哥大学）
自我监督表示学习在对比学习的进步推动下取得了重大飞跃，对比学习试图学习将正输入对嵌入附近，同时将负输入对推离很远的转换。虽然可以可靠地生成正对（例如，作为同一图像的不同视图），很难准确地建立否定对，否定对被定义为来自不同图像的样本，而不管它们的语义内容或视觉特征。对比学习的一个基本问题是减轻假阴性的影响。对比假否定导致了表示学习中的两个关键问题：丢弃语义信息和收敛速度慢。在本文中，我们提出了新的方法来识别假阴性，以及两种策略，以减轻其影响，即假阴性消除和吸引力，同时系统地进行严格的评估，详细研究这个问题。我们的方法表现出一致的改进现有的对比学习为基础的方法。在没有标签的情况下，我们在ImageNet上的1000个语义类中以40%的准确率识别假阴性，并且在使用1%标签进行微调时，与之前的最先进技术相比，top-1准确率绝对提高了5.8%。我们的代码可在https://github.com/google-research/fnc上获得。
2022-01-02 cs.CV cs.LG
Discovering Global False Negatives On the Fly for Self-supervised Contrastive Learning
针对自监督对比学习中相似语义假负样本被错误推开的问题，提出GloFND方法，在训练中在线学习阈值以全局识别假负样本，且计算成本与数据集大小无关，在图像和图文数据上验证了有效性。
2026-10-09 cs.AI cs.CV cs.LG
FALCON: False-Negative Aware Learning of Contrastive Negatives in Vision-Language Alignment
Korea University（韩国大学）
FALCON通过动态选择合适难度的负样本平衡硬负样本与假阴性，提升视觉-语言对齐性能，验证其在多种框架和任务中的有效性。
2026-03-17 cs.AI cs.CV
Incremental False Negative Detection for Contrastive Learning
National Taiwan University（台湾大学）；Waymo LLC（Waymo有限责任公司）；University of California, Merced（加州大学默塞德分校）；Yonsei University（延世大学）；Google Research（谷歌研究院）
自监督学习最近通过对比学习在视觉任务中显示出巨大的潜力，对比学习旨在区分数据集中的每个图像或实例。然而，这种实例级学习忽略了实例之间的语义关系，有时会不期望地将锚从语义相似的样本中排斥出来，称为“假阴性”。在这项工作中，我们表明，假阴性的不利影响是更显着的大规模数据集与更多的语义概念。为了解决这个问题，我们提出了一种新的自我监督的对比学习框架，增量检测和明确地删除假阴性样本。具体来说，在训练过程之后，我们的方法动态地检测到越来越多的高质量假阴性，因为编码器逐渐改进，嵌入空间变得更加语义结构化。接下来，我们讨论了两种策略，明确地删除检测到的假阴性在对比学习。大量的实验表明，我们的框架优于其他自我监督的对比学习方法在多个基准在有限的资源设置。
2022-03-16 cs.CV
Scene Text Detection for Augmented Reality -- Character Bigram Approach to reduce False Positive Rate
Indian Institute of Science（印度科学学院）
自然场景文本检测是场景理解的一个重要方面，是构建引人入胜的增强现实应用的有用工具。在这项工作中，我们解决了文本识别中的误报问题。我们建议通过查找字符对（bigram）而不是单个字符来提高滑动窗口文本定位器的性能。设计并训练了一个高效的卷积神经网络来检测二元组。该检测器在ICDAR 2015数据集上将假阳性率降低了28.16%。我们证明，检测bigrams是一种计算成本低廉的方式来提高滑动窗口文本定位。
2020-12-26 cs.CV cs.LG
Ranking Regularization for Critical Rare Classes: Minimizing False Positives at a High True Positive Rate
Borealis AI（Borealis人工智能公司）；Mila（米拉研究所）；Université de Montréal（蒙特利尔大学）
针对高真阳性率下假阳性过高的问题，提出一种易于实现的基于排序的正则化（RankReg）方法，该方法能有效减少假阳性并补充传统不平衡学习损失，在CIFAR-10&100和Melanoma数据集上显著提升了最先进的性能。
2023-03-31 cs.CV cs.LG
MAFA: Managing False Negatives for Vision-Language Pre-training
Seoul National University（首尔大学）
本文提出MAFA方法，通过在GRIT采样策略上引入连接挖掘和标签平滑来管理视觉-语言预训练中的假阴性问题，实验表明其能有效提升多个下游任务性能。
2024-06-13 cs.AI cs.CV
Using uncertainty estimation to reduce false positives in liver lesion detection
Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心图像科学研究所）；Department of Biomedical Engineering, Eindhoven University of Technology（埃因霍温理工大学生物医学工程系）
尽管深度学习技术在检测医学图像中的对象方面取得了成功，但仍会出现假阳性检测，这可能会阻碍准确的诊断。我们提出了一种技术，以减少假阳性检测的神经网络使用SVM分类器训练的功能来自神经网络预测的不确定性地图。我们证明了这种方法的有效性，用于检测肝脏病变的腹部MR图像的数据集。我们发现，使用0.5的丢弃率在神经网络预测中产生的误报数量最少，并且经过训练的分类器在测试集中过滤掉了大约90%的误报检测。
2021-01-26 cs.CV cs.LG eess.IV
Your Negative May not Be True Negative: Boosting Image-Text Matching with False Negative Elimination
University of Electronic Science and Technology of China（电子科技大学）；National University of Singapore（新加坡国立大学）
本文针对图像-文本匹配中困难负样本可能实为假负样本的问题，提出假负样本消除（FNE）策略，利用贝叶斯规则计算采样权重并结合动量记忆缓冲区进行负采样，在Flickr30K和MS-COCO上验证了其有效性。
2023-08-08 cs.CV cs.IR cs.MM
Learning Audio-Visual Source Localization via False Negative Aware Contrastive Learning
Australian National University（澳大利亚国立大学）；OPPO Research Institute（OPPO研究院）；The University of Oxford（牛津大学）；Shanghai AI Lab（上海人工智能实验室）；Beihang University（北京航空航天大学）
自监督音视频源定位的目标是在没有额外注释的情况下定位视频帧中的声源对象。最近的方法通常在对比学习的帮助下接近这个目标，该方法假设只有来自同一视频的音频和视觉内容是彼此的正样本。然而，这种假设在现实世界的训练中会受到假阴性样本的影响。例如，对于音频样本，将来自相同音频类的帧视为负样本可能会误导模型，并因此损害学习到的表示，警报器哀号的音频可以合理地对应于多个图像中的救护车）。基于这一观察，我们提出了一种新的学习策略，称为假阴性感知对比（FNAC），以减轻这种假阴性样本误导训练的问题。具体来说，我们利用模态内相似性来识别潜在的相似样本，并构造相应的邻接矩阵来指导对比学习。此外，我们建议通过明确利用声源的视觉特征来促进真实声源区域的区分，从而加强真阴性样本的作用。FNAC在Flickr-SoundNet，VGG-Sound和AVSBench上实现了最先进的性能，这证明了我们的方法在减轻假阴性问题方面的有效性。代码可在\url{https://github.com/OpenNLPLab/FNAC_AVL}上获得。
2023-03-25 cs.CV
Influence of uncertainty estimation techniques on false-positive reduction in liver lesion detection
University Medical Center Utrecht（乌得勒支大学医学中心）；Eindhoven University of Technology（埃因霍温理工大学）
本研究通过开发基于分类的后处理步骤，探讨了不确定性估计和形状特征在减少肝脏病变检测假阳性中的作用，发现类别不平衡和不确定性图的形状特征对区分真假阳性至关重要。
2022-12-15 cs.CV cs.LG eess.IV
False Positive Reduction by Actively Mining Negative Samples for Pulmonary Nodule Detection in Chest Radiographs
VUNO Inc.（VUNO公司）；Imperial College London（帝国理工学院）；Asan Medical Center（峨山医疗中心）；University of Ulsan（蔚山大学）
在医学成像中生成大量高质量的标记数据是非常耗时且昂贵的。多年来，用于成像的各种任务的监督算法的性能已经大幅提高，然而用于训练这些算法的数据的可用性已经成为实施的主要瓶颈之一。为了解决这个问题，我们提出了一种半监督学习方法，其中使用来自未标记数据的伪阴性标签来进一步改进胸片中肺结节检测网络的性能。在使用所提出的网络进行训练后，假阳性率从0.4864降低到0.1266，同时保持灵敏度为0.89。
2018-07-26 cs.AI cs.CV cs.LG
A deep learning algorithm for reducing false positives in screening mammography
ONsite Women’s Health（ONsite女性健康）；SSM Health（SSM健康）；Mallinckrodt Institute of Radiology, Washington University in St. Louis（圣路易斯华盛顿大学马林克罗特放射学研究所）
筛查性乳房X光检查通过早期发现和治疗来改善乳腺癌的预后。然而，筛选检查的额外成像的假阳性回调会导致不必要的程序、患者焦虑和经济负担。这项工作展示了一种人工智能算法，通过识别不可疑的乳腺癌乳房X线照片来减少误报。我们使用123，248张2D数字乳腺X线照片（6，161种癌症）训练算法以确定是否存在癌症，并对来自15个美国和3个英国站点的14，831次筛查检查（1，026种癌症）进行了回顾性研究。对美国最大临床试验机构的算法进行回顾性评价（11，592张乳房X光照片，101种癌症）a）癌症检出率未受影响（p=0.02，非劣效性界值为0.25例癌症/1000次检查），b）与标准临床读数相比，诊断检查的回调减少了31.1%，c）良性穿刺活检减少了7.4%，以及d）在模拟临床工作流程中，需要放射科医师解释的筛查检查减少了41.6%。这项工作为半自主乳腺癌筛查系统奠定了基础，该系统可以通过减少假阳性，不必要的程序，患者焦虑和费用来使患者和医疗保健系统受益。
2022-04-13 cs.CV cs.LG
Addressing the Pitfalls of Image-Based Structural Health Monitoring: A Focus on False Positives, False Negatives, and Base Rate Bias
Qatar University（卡塔尔大学）
本研究针对基于图像的结构健康监测中的假阳性、假阴性及基础率偏差问题，通过贝叶斯和频率论分析揭示低损伤率下高精度模型的误导性，并提出混合系统、人机协同等缓解策略。
2024-10-27 cs.AI cs.CV
TAM-Chain: Multi-Scale Thyroid Cytology Classification via Absorbing Markov Chains and Shannon Entropy Uncertainty Quantification for False-Negative Suppression and Domain-Shift Adaptation
Faculty of Mathematics, Mechanics and Informatics, VNU University of Science（越南国立大学理学院数学、力学与信息学系）
针对甲状腺FNAB细胞学分类中假阴性率高和域偏移下的过度自信问题，提出基于吸收马尔可夫链和香农熵不确定性量化的多尺度框架TAM-Chain，通过最优停止与人机协同转诊，实现高准确率与零假阴性。
2026-09-25 cs.CV cs.LG
Recognizing Rigid Patterns of Unlabeled Point Clouds by Complete and Continuous Isometry Invariants with no False Negatives and no False Positives
University of Liverpool（利物浦大学）
刚性结构，如汽车或任何其他固体物体通常由有限的未标记点云表示。这些点云上最自然的等价物是保持所有点间距离的刚体运动或等距。刚性模式的点云可以可靠地比较，只有通过完整的等距不变量，也可以称为等变描述符没有假阴性（等距云具有不同的描述）和没有假阳性（非等距云具有相同的描述）。数据中的噪声和运动激发了对在适当度量中的点的扰动下连续的不变量的搜索。我们提出了第一个连续的和完整的不变量的未标记的云在任何欧几里德空间。对于一个固定的维度，这个不变量的新度量是可以在多项式时间内以点数计算的。
2023-03-27 cs.CG cs.CV math.MG
Minimizing false negative rate in melanoma detection and providing insight into the causes of classification
Eötvös University（厄特沃什大学）；Wigner Research Centre for Physics（维格纳物理研究中心）；Semmelweis University（塞麦尔维斯大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
我们的目标是在黑色素瘤检测中架起人类和机器智能的桥梁。我们开发了一个分类系统，利用视觉预处理，深度学习和集成的组合，为专家提供解释，并最大限度地减少假阴性率，同时保持黑色素瘤检测的高准确性。首先使用U-网CNN自动分割源图像。分割的结果，然后用于提取图像的子区域和特定的参数相关的人的评价，即中心，边界和不对称措施。然后，这些数据由包括结构搜索算法的定制神经网络处理。部分结果然后由委员会机器进行汇总。我们对当今公开的最大皮肤病变数据集ISIC-2019进行的评估显示，所有评估指标均优于仅使用原始图像的基线。我们还表明，由特征分类器计算的指示性分数可以提供有用的洞察力的各种功能的决定可以基于。
2021-03-09 cs.CV cs.LG eess.IV
Brain Metastasis Segmentation Network Trained with Robustness to Annotations with Multiple False Negatives
Stanford University（斯坦福大学）；Oslo University Hospital（奥斯陆大学医院）
深度学习已被证明是医学图像分析的重要工具。然而，需要准确标记的输入数据，通常需要专家进行时间和劳动密集型的注释，这是使用深度学习的主要限制。这个挑战的一个解决方案是允许使用粗糙或嘈杂的标签，这可以允许更有效和可扩展的图像标记。在这项工作中，我们开发了一个不平衡的损失函数的基础上熵正则化，假设存在一个非平凡的假阴性率的目标注释。从仔细注释的脑转移病灶数据集开始，我们通过（1）随机删失注释病灶和（2）系统删失最小病灶来模拟具有假阴性的数据。后者更好地模拟了真正的医生错误，因为较小的病变比较大的病变更难注意到。即使模拟的假阴性率高达50%，将我们的损失函数应用于随机删失数据，在未删失训练数据的基线上保持了97%的最大灵敏度，而标准损失函数只有10%。对于基于大小的审查，性能从当前标准的17%恢复到我们的不平衡引导损失的88%。我们的工作将使更有效的缩放的图像标记过程中，与其他方法创建更有效的用户界面和工具的注释。
2020-01-26 cs.CV eess.IV
An End-to-end Framework For Integrated Pulmonary Nodule Detection and False Positive Reduction
University of California, Irvine（加州大学欧文分校）；Deepvoxel Inc.（Deepvoxel公司）
使用低剂量计算机断层扫描（CT）检测肺结节通常是肺部疾病筛查和诊断的第一步。最近，基于深度卷积神经网络的算法在自动结节检测方面表现出了很大的潜力。大多数现有的深度学习结节检测系统都是通过两个步骤构建的：a）结节候选者筛选和b）假阳性减少，使用两个不同的模型分别训练。尽管两步方法被广泛采用，但它不仅对训练两个独立的深度学习模型造成了显着的资源开销，而且由于它防止了两者之间的串扰，因此也是次优的。在这项工作中，我们提出了一个端到端的结节检测框架，将结节候选筛选和假阳性减少集成到一个模型中，联合训练。我们证明了端到端系统的性能比两步方法提高了3.88%，同时将模型复杂度降低了三分之一，推理时间缩短了3.6倍。代码将公开提供。
2019-03-23 cs.AI cs.CV cs.LG
EndoBoost: a plug-and-play module for false positive suppression during computer-aided polyp detection in real-world colonoscopy (with dataset)
Fudan University（复旦大学）；Zhongshan Hospital, Fudan University（复旦大学附属中山医院）；Nanjing University of Science and Technology（南京理工大学）
使用深度学习的计算机辅助检测系统的进步为内窥镜图像分析开辟了新的领域。然而，在封闭数据集上开发的基于学习的模型在复杂的临床环境中容易受到未知异常的影响。特别是，息肉检测的高假阳性率仍然是临床实践中的主要挑战。在这项工作中，我们发布了FPPD-13数据集，该数据集提供了现实世界结肠镜检查中计算机辅助息肉检测过程中典型假阳性的分类和真实案例。我们进一步提出了一个事后模块EndoBoost，它可以插入到通用息肉检测模型中，以过滤掉假阳性预测。这是通过对息肉流形进行生成学习来实现的，其中通过密度估计对流量进行归一化并拒绝误报。与监督分类相比，这种异常检测范式在开放世界环境中实现了更好的数据效率和鲁棒性。大量的实验表明，一个有前途的假阳性抑制在回顾性和前瞻性验证。此外，发布的数据集可用于对已建立的检测系统进行“压力”测试，并鼓励进一步研究稳健可靠的计算机辅助内窥镜图像分析。数据集和代码将在http://endoboost.miccai.cloud上公开。
2022-12-23 cs.AI cs.CV
A White-Box False Positive Adversarial Attack Method on Contrastive Loss Based Offline Handwritten Signature Verification Models
University of St Andrews（圣安德鲁斯大学）
本文提出了一种针对基于对比损失的离线手写签名验证模型的白盒误报对抗攻击方法，将攻击视为书写风格迁移，通过引入两个新损失函数扰动嵌入向量距离并保持图像最小扰动，实现了优于其他方法的攻击性能。
2024-02-09 cs.AI cs.CR cs.CV
Mining False Positive Examples for Text-Based Person Re-identification
South China University of Technology（华南理工大学）
基于文本的人物再识别（ReID）旨在根据给定的文本描述从大规模人物图像数据库中识别目标人物的图像。然而，由于显著的模态间差距，基于文本的人ReID仍然是一个具有挑战性的问题。现有的方法大多严重依赖于匹配词-区域对的相似性，而忽略了可能起决定性作用的不匹配词-区域对。因此，我们建议通过一个联合优化的多分支架构来处理这个问题，挖掘假阳性的例子（MFPE）。MFPE包含三个分支，包括一个假阳性挖掘（FPM）分支，以突出不匹配的单词区域对的作用。此外，MFPE还巧妙地设计了一个交叉Relu损失，以增加匹配和不匹配的词-区域对之间的相似度差距。CUHK-PEDES上的大量实验证明了MFPE的优越性。我们的代码发布在https://github.com/xx-adeline/MFPE。
2023-03-15 cs.CV
Driving Through Ghosts: Behavioral Cloning with False Positives
Autonomous Systems Lab (ASL), ETH Zurich（苏黎世联邦理工学院自主系统实验室）；Toyota Research Institute (TRI)（丰田研究所）
安全的自动驾驶需要对其他交通参与者进行稳健的检测。然而，稳健并不意味着完美，安全的系统通常以较高的误报率为代价来最大限度地减少漏检。这会导致保守但潜在危险的行为，例如避免想象中的障碍物。在行为克隆的背景下，训练时的感知错误可能导致学习困难或错误的策略，因为专家的演示可能与感知的世界状态不一致。在这项工作中，我们提出了一种行为克隆的方法，可以安全地利用不完美的看法，而不是保守的。我们的核心贡献是一个新的表示感知的不确定性学习计划。我们提出了一个新的概率鸟瞰图语义网格编码对象感知系统的噪声输出。然后，我们利用专家示范学习模仿驾驶政策使用这种概率表示。使用CARLA模拟器，我们表明，我们的方法可以安全地克服关键的误报，否则会导致灾难性的故障或保守的行为。
2020-08-29 cs.CV cs.LG cs.RO
Dual Skip Connections Minimize the False Positive Rate of Lung Nodule Detection in CT images
Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）
肺癌是最常见的诊断和致命的癌症之一，往往是由计算机断层扫描的偶然发现诊断。肺结节的自动检测是计算机辅助诊断的重要组成部分，快速准确地定位结节的位置仍然面临着巨大的挑战和困难。本文提出了一种基于双路径网络的U-Net结构的双跳跃连接上采样策略，以最小化假阳性率和最大化结节病变检测的灵敏度为目标，生成多尺度特征图。结果表明，我们的新上采样策略在每幅图像4 FROC时具有85.3%的灵敏度，而常规上采样策略为84.2%，基于VGG 16的Faster-R-CNN为81.2%，从而提高了性能。
2021-10-25 cs.CV cs.LG eess.IV
Global Norm-Aware Pooling for Pose-Robust Face Recognition at Low False Positive Rate
Beijing Jiaotong University（北京交通大学）；Watchdata Inc.（握奇数据股份有限公司）；DeepInSight（深识）
在本文中，我们提出了一种新的全局Norm-Aware Pooling（GNAP）块，该块根据卷积神经网络（CNN）的L2范数自适应地对局部特征进行重新加权，并输出具有全局平均池层的全局特征向量。我们的GNAP块旨在为不同空间位置的局部特征提供动态权重，而不会失去空间对称性。我们在人脸特征嵌入CNN中使用GNAP块来产生用于姿态鲁棒人脸识别的判别性人脸特征向量。GNAP块的计算成本非常低，但它对正面轮廓人脸识别非常强大。在CFP前向轮廓方案下，GNAP阻断不仅可以显著降低EER，而且可以显著提高TPR@FPR=0.1%（TPR即真阳性率，FPR即假阳性率）。实验结果表明，GNAP块大大提高了姿态鲁棒人脸识别的基础模型，特别是在低误报率。
2018-08-01 cs.CV
NoduleNet: Decoupled False Positive Reductionfor Pulmonary Nodule Detection and Segmentation
Deep Voxel Inc.（深体素公司）
肺结节检测、假阳性减少和分割代表了胸部CT图像的计算机辅助分析中的三个最常见的任务。针对每个任务都提出了方法，其中基于深度学习的方法最近备受青睐。然而，训练深度学习模型来分别解决每个任务可能是次优的-资源密集型的，并且没有特征共享的好处。在这里，我们提出了一种新的端到端3D深度卷积神经网络（DCNN），称为NoduleNet，以多任务方式联合解决结节检测，误报减少和结节分割。为了避免不同任务之间的摩擦并鼓励特征多样化，我们采用了两个主要的设计技巧：1）用于结节检测和假阳性减少的解耦特征图，以及2）用于提高结节分割精度的分割细化子网。在大规模LIDC数据集上进行的大量实验表明，多任务训练非常有益，与仅训练用于解决结节检测任务的基线模型相比，结节检测准确率提高了10.27%。我们还进行了系统的消融研究，以突出每个添加组件的贡献。代码可在https://github.com/uci-cbcl/NoduleNet上获得。
2019-07-25 cs.CV
MHSnet: Multi-head and Spatial Attention Network with False-Positive Reduction for Pulmonary Nodules Detection
肺癌的死亡率多年来一直居癌症之首。肺癌的早期发现对于疾病的预防、治疗和降低死亡率至关重要。然而，现有的肺结节检测方法引入了过多的假阳性建议，以实现高灵敏度，这在临床情况下是不实际的。在本文中，我们提出了多头检测和空间挤压和注意力网络，MHSnet，检测肺结节，以帮助医生在肺癌的早期诊断。具体来说，我们首先引入多头检测器和跳过连接，以定制各种大小，形状和类型的结节，并捕获多尺度特征。然后，我们实现了一个空间注意力模块，使网络能够根据经验丰富的临床医生筛选CT图像的方式，以不同的方式关注不同的区域，从而减少假阳性建议。最后，我们提出了一个轻量级但有效的假阳性减少模块，使用线性回归模型来减少假阳性建议的数量，而对前端网络没有任何限制。与最先进的模型相比，广泛的实验结果表明，MHSnet在平均FROC，灵敏度，特别是错误发现率方面具有优越性（平均FROC和灵敏度方面分别提高了2.98%和2.18%，每次扫描的错误发现率和平均候选人分别降低了5.62%和28.33%）。误报减少模块显著降低了每次扫描生成的平均候选数68.11%和错误发现率13.48%，这有望减少基于检测结果的下游任务的分心建议。
2022-05-12 cs.CV eess.IV
MAFF-Net: Filter False Positive for 3D Vehicle Detection with Multi-modal Adaptive Feature Fusion
Hikvision Research Institute, Hangzhou Hikvision Digital Technology Co. Ltd（杭州海康威视数字技术股份有限公司海康研究院）；Shanghai Jiao Tong University（上海交通大学）
基于多模态融合的三维车辆检测是自动驾驶等应用的重要任务。虽然已经取得了显著的进展，我们仍然观察到两个方面需要进一步改进：第一，相机图像可以带来的3D检测的具体增益很少被以前的作品探索。其次，许多融合算法运行缓慢，这对于实时性要求高的应用（自动驾驶）至关重要。为此，本文提出了一种端到端可训练的单级多模态特征自适应网络，该网络利用图像信息有效降低了3D检测的误报率，具有较快的检测速度。提出了一种基于通道注意力机制的多模态自适应特征融合模块，使网络能够自适应地利用各模态的特征。基于上述机制，提出了两种融合技术，以适应不同的使用场景：PointAttentionFusion适用于过滤简单的误报，速度更快; DenseAttentionFusion适用于过滤更困难的误报，整体性能更好。KITTI数据集上的实验结果表明，在过滤误报的方法，只使用点云数据显着改善。此外，所提出的方法可以提供有竞争力的结果，并具有最快的速度相比，已公布的国家的最先进的多模态方法在KITTI基准。
2020-09-23 cs.CV
False Positive Removal for 3D Vehicle Detection with Penetrated Point Classifier
Yonsei University（延世大学）
最近，研究人员一直在利用LiDAR点云来提高3D车辆检测的准确性。大多数最先进的方法都是基于深度学习的，但很容易受到对象上生成的点的数量的影响。这个漏洞会导致在高召回位置出现大量的假阳性框，其中对象偶尔会被预测为很少的点。为了解决这个问题，我们引入了穿透点分类器（PPC）的基础上的激光雷达的基本属性，点不能在车辆后面生成。它确定预测框的车辆后面是否存在点，如果存在，则将该框区分为假阳性。我们在KITTI数据集上评估了我们简单而前所未有的方法，并实现了PointRCNN的性能改进，PointRCNN是最先进的方法之一。实验结果表明，在汽车类的中难度和高难度下，最高召回位置的准确率分别提高了15.46个百分点和14.63个百分点。
2020-05-28 cs.CV
Adaptive Substring Extraction and Modified Local NBNN Scoring for Binary Feature-based Local Mobile Visual Search without False Positives
The University of Tokyo（东京大学）；KDDI R&D Laboratories, Inc.（KDDI研究与开发实验室）；National Institute of Informatics（信息学研究所）
在本文中，我们提出了一个独立的移动视觉搜索系统的基础上二进制特征和袋视觉词框架。本研究的贡献是三方面的：（1）我们提出了一种自适应子串提取方法，自适应地从原始二进制向量中提取信息位，并将其存储在倒排索引中。这些子字符串用于优化基于视觉单词的匹配。(2)在图像检索的背景下，提出了一种改进的局部NBNN评分方法，该方法在对每个特征匹配进行评分时考虑了二值特征的密度。(3)为了抑制误报，我们引入了一个凸性检查步骤，对变换后的参考图像的配置施加凸性约束。与传统方法相比，该系统在不增加数据库大小的情况下，检索精度提高了11%。此外，我们的系统与凸性检查不会导致假阳性结果。
2016-10-20 cs.CV
False Positive Reduction in Lung Computed Tomography Images using Convolutional Neural Networks
Middle East Technical University（中东技术大学）
最近的研究表明，与传统的胸部X线摄影相比，每年使用低剂量计算机断层扫描（CT）进行肺癌筛查可将肺癌死亡率降低20%。因此，CT肺部筛查已开始在世界各地广泛使用。然而，分析这些图像对于放射科医生来说是一个严重的负担。在这项研究中，我们提出了一种新颖而简单的框架，使用卷积神经网络（CNN）分析CT肺部筛查，并减少假阳性。我们的框架表明，即使是不复杂的架构是非常强大的分类3D结节数据相比，传统的方法。我们还使用不同的融合，以显示他们的权力和对整体得分的影响。3D CNN优于2D CNN，因为数据是3D的，2D卷积操作可能导致信息丢失。小批量是为了克服类不平衡。提出的框架已根据LUNA16挑战评估进行了验证，并获得了0.786分，这是七个预定义假阳性（FP）点的平均灵敏度值。
2018-11-04 cs.CV
Multi-stage Neural Networks with Single-sided Classifiers for False Positive Reduction and its Evaluation using Lung X-ray CT Images
IBM Tokyo Laboratory（IBM东京实验室）；IBM Research – Tokyo（IBM东京研究）
肺结节分类是一个类别不平衡的问题，因为结节被发现的频率比非结节低得多。在类别不平衡问题中，传统的分类器往往被多数类别压倒而忽略少数类别。因此，我们提出了级联卷积神经网络，以应付类不平衡的问题。在所提出的方法中，作为单侧分类器执行的多级卷积神经网络过滤掉明显的非结节。随后，用平衡数据集训练的卷积神经网络计算结节概率。在FROC曲线分析中，当每次扫描出现4个和8个假阳性时，该方法的灵敏度分别为92.4%和94.5%。
2017-03-21 cs.CV
Targeted False Positive Synthesis via Detector-guided Adversarial Diffusion Attacker for Robust Polyp Detection
Wuhan University of Technology（武汉理工大学）；Huazhong University of Science（华中科技大学）
针对息肉检测中假阳性问题，提出检测器引导的对抗扩散攻击器（DADA），通过区域噪声匹配和对抗扰动合成高价值假阳性数据，提升检测器F1分数至少2.6%。
2025-06-22 cs.CV
False Negative/Positive Control for SAM on Noisy Medical Images
Vanderbilt University（范德堡大学）；University of Pennsylvania（宾夕法尼亚大学）
针对SAM在低对比度噪声医学图像中分割效果差的问题，提出结合多框提示增强与基于不确定性的假阴/假阳性校正的测试阶段增强技术，以及单切片到体的3D分割方法，无需额外训练即可提升SAM性能与鲁棒性。
2023-08-20 cs.AI cs.CV
Contrastive Language Prompting to Ease False Positives in Medical Anomaly Detection
SK Planet Co., Ltd.（SK星球有限公司）
针对医学异常检测中正常区域导致的假阳性问题，提出同时使用正向与负向文本提示的 CLAP 方法，并在 BMAD 六个基准上验证其性能提升。
2025-02-17 cs.AI cs.CL cs.CV
False Positive Detection and Prediction Quality Estimation for LiDAR Point Cloud Segmentation
University of Wuppertal（伍珀塔尔大学）；Aptiv（安波福）
我们提出了一种新的激光雷达点云数据的语义分割后处理工具，称为LidarMetaSeg，它估计预测质量分段。为此，我们计算分散措施的基础上，网络的概率输出，以及基于点云输入功能的功能措施，并将它们聚集在段级。这些聚集的测量被用于训练Meta分类模型以预测预测的段是否是假阳性，以及Meta回归模型以预测段级交集。然后，这两个模型都可以应用于语义分割推理，而无需知道地面真相。在我们的实验中，我们使用不同的LiDAR分割模型和数据集，并分析我们的方法的能力。我们表明，我们的结果优于其他标准的方法。
2021-10-29 cs.AI cs.CV
Breakout-picker: Reducing false positives in deep learning-based borehole breakout characterization from acoustic image logs
State Key Laboratory of Precision Geodesy, School of Earth and Space Sciences, University of Science and Technology of China（精密测绘国家重点实验室，地球与空间科学学院，中国科学技术大学）；Mengcheng National Geophysical Observatory, University of Science and Technology of China（孟城国家地震观测站，中国科学技术大学）
本文提出Breakout-picker框架，通过引入非破译特征负样本和方位对称性验证，提升声成像测井中破译的准确性与可靠性，降低假阳性率。
2026-04-17 cs.CV cs.SD physics.geo-ph
