面向分布外检测的类相关性学习
计算机视觉与模式识别
2024-01-03 v1 机器学习
摘要
图像分类在各种应用中发挥着关键作用，但当模型部署于现实世界场景时仍面临挑战。值得注意的是，这些模型在检测分类器训练期间未包含的陌生类别时表现不佳，这是安全有效部署现实世界模型的一个重大障碍，通常被称为分布外 (OOD) 检测。虽然现有技术（如最大 logits）旨在利用 logits 进行 OOD 识别，但它们往往忽视了有效检测所 underlying 的复杂类间关系。本文提出了一种专为 OOD 检测创新的类相关性学习方法。我们的方法建立了一个全面的类相关性学习框架，策略性地利用 OOD 流程中的类间关系。该框架显著增强了 OOD 检测能力。在多样化数据集（涵盖通用图像分类数据集，包括 Near OOD 和 Far OOD 数据集）上的大量实验表明，我们的方法在 OOD 检测方面优于最先进的替代方案。
引用
@article{arxiv.2401.01021,
title = {Class Relevance Learning For Out-of-distribution Detection},
author = {Butian Xiong and Liguang Zhou and Tin Lun Lam and Yangsheng Xu},
journal= {arXiv preprint arXiv:2401.01021},
year = {2024}
}