利用典型特征提升分布外检测性能
计算机视觉与模式识别
2022-10-11 v1
摘要
分布外（OOD）检测对于保障深度神经网络在真实场景中的可靠性与安全性是一项关键任务。与多数以往聚焦于设计 OOD 分数或引入多样离群样本重训模型的 OOD 检测方法不同，我们从典型性视角深入探究 OOD 检测中的阻碍因素，并将深度模型特征的高概率区域视为该特征的典型集。我们提出将特征修正至其典型集，并基于典型特征计算 OOD 分数，以实现可靠的不确定性估计。该特征修正可作为即插即用模块与多种 OOD 分数结合。我们在常用基准（CIFAR）与更具挑战性的大标签空间高分辨率基准（ImageNet）上评估了方法的优越性。值得注意的是，在 ImageNet 基准上，我们的方法在平均 FPR95 上优于最优方法达 5.11%。
引用
@article{arxiv.2210.04200,
title = {Boosting Out-of-distribution Detection with Typical Features},
author = {Yao Zhu and YueFeng Chen and Chuanlong Xie and Xiaodan Li and Rong Zhang and Hui Xue and Xiang Tian and bolun zheng and Yaowu Chen},
journal= {arXiv preprint arXiv:2210.04200},
year = {2022}
}