多样化深度集成：一种基于显著图的OOD检测、校准与准确率增强方法
计算机视觉与模式识别
2024-11-06 v5 人工智能
机器学习
摘要
深度集成能够在分类和分布外(OOD)检测中取得最先进的结果。然而，由于集成内部学习模式的同质性，其有效性受到限制。为克服该问题，本研究引入显著图多样化深度集成(SDDE)，这是一种通过利用显著图促进集成成员间多样性的新颖方法。通过融入显著图多样化，我们的方法在多个分类与OOD检测任务中优于常规集成技术并改善校准。特别地，所提方法在包括CIFAR10/100和大规模ImageNet数据集在内的多个基准上实现了最先进的OOD检测质量、校准与准确率。
引用
@article{arxiv.2305.11616,
title = {Diversifying Deep Ensembles: A Saliency Map Approach for Enhanced OOD Detection, Calibration, and Accuracy},
author = {Stanislav Dereka and Ivan Karpukhin and Maksim Zhdanov and Sergey Kolesnikov},
journal= {arXiv preprint arXiv:2305.11616},
year = {2024}
}