본 논문은 자율주행 등 동적 환경에서 안전한 의사결정을 위해 과신으로 인한 환각을 줄이는 YOLO 계열 객체 검출기의 Out-of-Distribution(OoD) 검출 필터링 기술을 연구합니다. 기존 OoD 벤치마크 평가의 부정확성을 지적하며, 기존 OoD 데이터셋에 ID(In-Distribution) 객체가 약 13% 포함되어 있고, ID 데이터셋에 OoD 객체가 포함되어 의사결정 경계에 부정적 영향을 미친다는 점을 밝힙니다. 이러한 문제점을 해결하기 위해, 객체 검출기와 필터를 통합한 파이프라인으로 접근하여, 검출 대상과 의미적으로 유사한 OoD 데이터셋을 생성하고 이를 이용해 YOLO 검출기의 객체 점수를 억제하는 미세 조정 기법을 제시합니다. BDD-100K 자율주행 벤치마크에서 전체 환각 오류를 88% 감소시키는 성과를 달성했습니다. 개선된 코드와 데이터셋을 공개합니다.
