Dans cet article, nous étudions la technique de filtrage de détection hors distribution (OoD) du détecteur d'objets de la série YOLO afin de réduire les hallucinations dues à un excès de confiance pour une prise de décision sûre dans des environnements dynamiques tels que la conduite autonome. Nous soulignons l'inexactitude des évaluations de référence OoD existantes et révélons que les jeux de données OoD existants contiennent environ 13 % d'objets ID (en distribution), et que l'inclusion d'objets OoD dans les jeux de données ID affecte négativement la limite de décision. Pour résoudre ces problèmes, nous utilisons un pipeline intégrant détecteurs et filtres d'objets, et proposons une technique d'optimisation fine qui génère des jeux de données OoD sémantiquement similaires à la cible de détection et supprime les scores d'objets du détecteur YOLO qui les utilise. Nous obtenons un résultat de réduction de l'erreur d'hallucination totale de 88 % sur le test de référence de conduite autonome BDD-100K. Nous présentons le code et le jeu de données améliorés.
