用于分布外检测的深层残差流
机器学习
2020-07-21 v3 计算机视觉与模式识别
机器学习
摘要
神经网络在现实世界中的有效应用依赖于熟练地检测分布外样本。当代方法试图对训练数据中特征激活的分布建模，以充分区分异常，且当前最优方法使用高斯分布模型。本工作中，我们提出一种新方法，通过利用基于归一化流的表达性密度模型改进当前最优方法。我们引入残差流，一种从基础高斯分布学习残差分布的新颖流架构。我们的模型具有通用性，可应用于任何近似高斯的数据。对于图像数据集中的分布外检测，我们的方法提供了对当前最优方法的原则性改进。具体而言，我们在训练于各种图像数据集上的 ResNet 与 DenseNet 架构中展示了方法的有效性。例如，在 CIFAR-100 上训练的 ResNet 上评估来自 ImageNet 数据集的分布外样本检测，保持真阳性率（TPR）为 时，我们将真阴性率（TNR）从 （当前最优）提升至 （ ours）。
引用
@article{arxiv.2001.05419,
title = {Deep Residual Flow for Out of Distribution Detection},
author = {Ev Zisselman and Aviv Tamar},
journal= {arXiv preprint arXiv:2001.05419},
year = {2020}
}