基于通用表示的校准分布外检测
计算机视觉与模式识别
2023-09-06 v2
摘要
分布外检测是在实际中部署视觉模型时的常见问题，解决该问题是安全关键应用中的重要基石。现有大多数 OOD 检测方法侧重于提升仅在分布内（ID）数据上训练的分类模型的 OOD 鲁棒性。本文中，我们采取不同思路，提出利用通用预训练表示。我们提出一种称为 GROOD 的新颖 OOD 方法，将 OOD 检测表述为具有良好校准分数的 Neyman-Pearson 任务，并借助良好通用表示的使用取得了优异性能。仅需平凡的的训练过程即可将 GROOD 适配到特定问题。该方法简单、通用、高效、已校准且仅有少量超参数。该方法在多个 OOD 基准上达到 SOTA 性能，其中若干基准上接近完美性能。源代码见 https://github.com/vojirt/GROOD。
引用
@article{arxiv.2303.13148,
title = {Calibrated Out-of-Distribution Detection with a Generic Representation},
author = {Tomas Vojir and Jan Sochman and Rahaf Aljundi and Jiri Matas},
journal= {arXiv preprint arXiv:2303.13148},
year = {2023}
}
备注
10 pages, accepted to Workshop on Uncertainty Quantification for Computer Vision, ICCV 2023