一种基于切片Wasserstein距离的类外分布检测方法
计算机视觉与模式识别
2023-02-06 v1
摘要
在众多医学成像、图像处理和计算机视觉应用中，如人脸识别、医学诊断、字符识别和自动驾驶等，对智能系统存在日益增长的需求。这些应用通常要求解决涉及具有未知数据生成过程的复杂图像的复杂分类问题。除了当前依赖特征工程和深度学习的分类方法近期取得成功外，也观察到它们的若干缺陷，如缺乏鲁棒性、泛化性和可解释性。这些方法常需大量训练数据、计算昂贵，且易受分布外样本(例如对抗攻击)影响。近来，一种准确、数据高效、计算高效且鲁棒的基于传输的分类方法被提出，其针对特定类别分类问题给出了生成模型的问题表述与闭式解。然而，所有这些方法都缺乏检测训练所用类分布之外测试样本的机制。在真实场景中，收集的训练样本无法穷举或覆盖所有类，传统分类方案无法有效处理未见类，这对安全关键系统(如自动驾驶和医学影像诊断)尤为重要。本工作中，我们提出一种基于切片-Wasserstein距离在Radon累积分布变换(R-CDT)子空间上分布的类外分布检测方法。我们在MNIST和两个医学图像数据集上测试了该方法，报告了比无类外分布检测流程的SOTA方法更高的准确率。
引用
@article{arxiv.2302.01459,
title = {A sliced-Wasserstein distance-based approach for out-of-class-distribution detection},
author = {Mohammad Shifat E Rabbi and Abu Hasnat Mohammad Rubaiyat and Yan Zhuang and Gustavo K Rohde},
journal= {arXiv preprint arXiv:2302.01459},
year = {2023}
}