桥接分布内与分布外样本以提升其可判别性
计算机视觉与模式识别
2021-01-08 v1 人工智能
摘要
本文提出一种用于 OOD 检测的方法。我们质疑先前研究关于 ID 与 OOD 样本被明显分离的前提，考虑位于两者中间的样本并用其训练网络。我们使用多种以不同方式、不同严重级别破坏输入的图像变换来生成此类样本。我们基于在干净 ID 样本上训练的网络估计单次图像变换生成的样本位于 ID 与 OOD 之间的位置。具体而言，我们让网络对生成的样本分类并计算其平均分类准确率，据此为它们创建软目标标签。我们从头使用原始 ID 样本及为其创建的软标签的生成的样本训练同一网络。我们通过阈值化预测 softmax 概率的熵来检测 OOD 样本。实验结果表明，我们的方法在标准基准测试中优于先前的 SOTA。我们还分析了图像破坏变换的数量及特定组合对性能的影响。
引用
@article{arxiv.2101.02500,
title = {Bridging In- and Out-of-distribution Samples for Their Better Discriminability},
author = {Engkarat Techapanurak and Anh-Chuong Dang and Takayuki Okatani},
journal= {arXiv preprint arXiv:2101.02500},
year = {2021}
}