GH-ESD：面向实例级视觉任务的基于假设的误差切片发现
GH-ESD: Grounded Hypothesis-Driven Error Slice Discovery for Instance-Level Vision Tasks
摘要
GH-ESD（基于假设驱动的接地错误切片发现）提出一种新方法，用于在目标检测和分割等实例级任务中发现语义一致的错误切片。现有方法将切片建模为表示空间中的聚类或预定义属性组合，适用于图像级分类，但无法捕捉上下文关系和空间相关视觉模式导致的失败。GH-ESD通过假设驱动机制，定位并分析这些系统性失败，提升模型鲁棒性与评估准确性。
视觉模型在语义一致子集上的系统性失败（称为错误切片）揭示了鲁棒性和评估方面的局限性。现有的切片发现方法主要将切片建模为表示空间中的聚类或预定义属性的组合。虽然这些方法在图像级分类任务中有效，但对于目标检测和分割等实例级任务而言，此类公式化方法并不充分——这些任务中的失败往往源于上下文关系以及空间相关的视觉模式。我们提出 GH-ESD（基于假设驱动的接地错误切片发现），一种……
译自 Apple · ML Research · 录于 二〇二六年七月二十八日