回归基础：重新审视分布外检测基线方法
机器学习
2022-07-08 v1 计算机视觉与模式识别
机器学习
摘要
我们研究了与任何已训练分类器兼容的简单分布外（OOD）图像检测方法，这些方法仅依赖其预测结果或学习到的表征。在评估各种方法配合 ResNet-50 和 Swin Transformer 模型使用时的 OOD 检测性能时，我们发现，与仅考虑模型预测的方法相比，同时考虑学习到的表征可以轻松超越前者。基于我们的分析，我们提倡一种在其他研究中被忽视的极其简单的方法：仅将那些到其 K 近邻的平均距离（在基于分布内数据训练的图像分类器的表征空间中）较大的图像标记为 OOD。
引用
@article{arxiv.2207.03061,
title = {Back to the Basics: Revisiting Out-of-Distribution Detection Baselines},
author = {Johnson Kuan and Jonas Mueller},
journal= {arXiv preprint arXiv:2207.03061},
year = {2022}
}
备注
ICML Workshop on Principles of Distribution Shift 2022