用于分布外检测的持续证据深度学习
计算机视觉与模式识别
2023-09-07 v1
摘要
基于不确定性的深度学习模型因其提供准确可靠预测的能力而备受关注。证据深度学习脱颖而出，仅用单个确定性神经网络即在检测分布外（OOD）数据方面取得卓越性能。受此启发，本文提出将证据深度学习方法集成到持续学习框架中，以同时执行增量对象分类与 OOD 检测。此外，我们分析了空洞性与不一致性区分属于旧类的分布内数据与 OOD 数据的能力。所提方法称为 CEDL，在 CIFAR-100 上以分别包含 5 个和 10 个任务的两种设置进行了评估。从所得结果中可以看出，相较于基线，所提方法在对象分类上提供了可比的结果，而在三个评估指标 AUROC、AUPR 和 FPR95 上大幅优于多种事后方法的 OOD 检测。
引用
@article{arxiv.2309.02995,
title = {Continual Evidential Deep Learning for Out-of-Distribution Detection},
author = {Eduardo Aguilar and Bogdan Raducanu and Petia Radeva and Joost Van de Weijer},
journal= {arXiv preprint arXiv:2309.02995},
year = {2023}
}
备注
Accepted at Visual Continual Learning workshop (ICCV2023)