基于特征范数进行分布外检测时的分块选择方法
计算机视觉与模式识别
2023-03-03 v3
摘要
在推理阶段检测分布外(OOD)输入对于在现实世界中部署神经网络至关重要。先前的方法通常依赖于由高度激活的特征图得到的网络输出。在本研究中,我们首先揭示,从最后一个分块以外的其他分块获得的特图范数可以是更好的OOD检测指标。受此启发,我们提出了一个简单框架,由FeatureNorm(特征图范数)和NormRatio(用于衡量每个分块的OOD检测性能的ID与OOD的FeatureNorm之比)组成。特别地,为了选择能提供ID的FeatureNorm与OOD的FeatureNorm之间最大差异的分块,我们从ID训练样本创建拼图图像作为伪OOD并计算NormRatio,进而选择取值最大的分块。在选定合适的分块后,使用FeatureNorm进行OOD检测在CIFAR10基准上以最高52.77%的幅度、在ImageNet基准上以最高48.53%的幅度降低FPR95,优于其他OOD检测方法。我们证明了我们的框架可推广到各种架构,并证明了分块选择的重要性,其也可改进先前的OOD检测方法。
引用
@article{arxiv.2212.02295,
title = {Block Selection Method for Using Feature Norm in Out-of-distribution Detection},
author = {Yeonguk Yu and Sungho Shin and Seongju Lee and Changhyun Jun and Kyoobin Lee},
journal= {arXiv preprint arXiv:2212.02295},
year = {2023}
}
备注
CVPR2023 accepted; Code is available in https://github.com/gist-ailab/block-selection-for-OOD-detection