用于分布外检测的平衡能量正则化损失
计算机视觉与模式识别
2023-06-21 v1 人工智能
机器学习
摘要
在分布外(OOD)检测领域,先前使用辅助数据作为OOD数据的方法已展现出良好的性能。然而,该方法对所有辅助数据施加相等的损失以将其与内点样本区分开。然而,根据我们的观察,在各种任务中,辅助OOD数据在各类别间的分布普遍存在不平衡现象。我们提出了一种平衡能量正则化损失,该方法简单但对多种任务普遍有效。我们的平衡能量正则化损失利用辅助数据按类别不同的先验概率来解决OOD数据中的类别不平衡问题。其核心思想是:对来自多数类的辅助样本施加比来自少数类的样本更重的正则化。我们的方法在语义分割、长尾图像分类和图像分类的OOD检测上均优于先前的能量正则化损失。此外,我们的方法在两个任务上取得了最先进的性能:语义分割中的OOD检测和长尾图像分类。代码已发布于 https://github.com/hyunjunChhoi/Balanced_Energy。
引用
@article{arxiv.2306.10485,
title = {Balanced Energy Regularization Loss for Out-of-distribution Detection},
author = {Hyunjun Choi and Hawook Jeong and Jin Young Choi},
journal= {arXiv preprint arXiv:2306.10485},
year = {2023}
}
备注
Accepted by CVPR2023