CODEs：针对过置信问题的倒角分布外样本
计算机视觉与模式识别
2021-08-16 v1
摘要
深度神经网络对分布外（OOD）样本给出过度置信的预测是一个棘手问题。解决 OOD 过置信问题的关键在于构建一组 OOD 样本子集，并抑制对其的预测。本文提出倒角 OOD 样本（CODEs），其分布接近于分布内样本的分布，因而可通过抑制对其的预测来有效缓解 OOD 过置信问题。为获取 CODEs，我们首先通过对来自不同类别的分布内样本进行切片与拼接操作生成种子 OOD 样本，随后将其送入倒角生成对抗网络进行分布变换，而无需访问任何额外数据。经验证，在 CODEs 上以抑制预测的方式训练，可在不损害分类精度的前提下大幅缓解 OOD 过置信问题，并优于当前最优方法。此外，我们证明 CODEs 有助于改进 OOD 检测与分类。
引用
@article{arxiv.2108.06024,
title = {CODEs: Chamfer Out-of-Distribution Examples against Overconfidence Issue},
author = {Keke Tang and Dingruibo Miao and Weilong Peng and Jianpeng Wu and Yawen Shi and Zhaoquan Gu and Zhihong Tian and Wenping Wang},
journal= {arXiv preprint arXiv:2108.06024},
year = {2021}
}
备注
ICCV 2021