一种用于分布外检测的简易测试时方法
计算机视觉与模式识别
2022-07-19 v1 人工智能
机器学习
摘要
已知神经网络会对输入图像产生过度置信的预测，即便这些图像是分布外（OOD）样本。这限制了神经网络模型在存在 OOD 样本的真实场景中的应用。许多现有方法通过利用各种线索来识别 OOD 实例，例如在特征空间、logits 空间、梯度空间或图像原始空间中寻找不规则模式。相比之下，本文提出一种简单的测试时线性训练（ETLT）方法用于 OOD 检测。经验上，我们发现输入图像为分布外的概率与神经网络提取的特征呈惊人的线性相关。具体而言，许多最先进的 OOD 算法虽设计用于以不同方式度量可靠性，实际上产生的 OOD 分数大多与其图像特征线性相关。因此，通过在测试时简单地学习一个由配对图像特征与推断 OOD 分数训练的线性回归模型，我们可对测试实例做出更精确的 OOD 预测。我们进一步提出该方法的在线变体，其取得了有前景的性能，并在真实应用中更为实用。值得注意的是，在 CIFAR-10 数据集上以最大 softmax 概率作为基础 OOD 检测器，我们将 FPR95 从 改进至 。在多个基准数据集上的大量实验显示了 ETLT 在 OOD 检测任务上的有效性。
引用
@article{arxiv.2207.08210,
title = {A Simple Test-Time Method for Out-of-Distribution Detection},
author = {Ke Fan and Yikai Wang and Qian Yu and Da Li and Yanwei Fu},
journal= {arXiv preprint arXiv:2207.08210},
year = {2022}
}