COOD：结合多种度量进行大规模分层分类中的异常与新类检测
计算机视觉与模式识别
2024-03-12 v1 机器学习
摘要
高性能的域外（OOD）检测（包括异常检测和新类检测）是分类模型实际应用的重要前提。本文关注图像中的物种识别任务，该任务涉及大型数据库、大量细粒度分层类别、严重的类别不平衡以及变化的图像质量。我们提出了一个框架，利用监督模型将单个 OOD 度量组合成一个综合 OOD（COOD）度量。单个度量包括几种现有的最先进度量，以及几种专为新类检测和分层类别结构而开发的新颖 OOD 度量。COOD 在三个大规模（50 万 + 图像）生物多样性数据集上进行了广泛评估，背景为异常和新类检测。我们表明，在大多数实验中，COOD 在 TPR@1% FPR 指标上大幅优于单个（包括最先进）OOD 度量，例如，对于 iNaturalist 2018 数据集，将 ImageNet 图像（OOD）的检测率从 54.3% 提高到 85.4%。SHAP（特征贡献）分析显示，不同的单个 OOD 度量对各种任务至关重要，表明需要多种 OOD 度量及其组合才能实现泛化。此外，我们表明，明确考虑原始（物种）识别任务中被错误分类的域内（ID）图像，对于构建高性能 OOD 检测方法及其实际适用性非常重要。该框架可以轻松扩展或适应其他任务和媒体模态。
引用
@article{arxiv.2403.06874,
title = {COOD: Combined out-of-distribution detection using multiple measures for anomaly & novel class detection in large-scale hierarchical classification},
author = {L. E. Hogeweg and R. Gangireddy and D. Brunink and V. J. Kalkman and L. Cornelissen and J. W. Kamminga},
journal= {arXiv preprint arXiv:2403.06874},
year = {2024}
}