建立基线并引入TernaryMixOE用于细粒度分布外检测
计算机视觉与模式识别
2023-04-03 v1
摘要
部署在开放世界中的机器学习模型可能遇到未经训练识别的观测，并可能以高置信度误分类此类观测。因此，这些模型必须能够确定何为分布内(ID)与分布外(OOD)，以避免此种误分类。近年来，在构建对此区分具有鲁棒性的模型方面已取得巨大进展。结果，当前最先进技术在相对粗粒度的OOD检测任务（如区分马与卡车）上已达到近乎完美的性能，却在更细粒度的分类（如区分商用飞机型号）上表现不佳。本文中，我们描述了一个理解细粒度与粗粒度OOD检测的新理论框架，将细粒度分类重新概念化为一个三部分问题，并提出了在两个细粒度层次数据集上用于OOD模型的新基线任务、区分细粒度与粗粒度OOD性能的两种新评估方法，以及该任务模型的一个新损失函数。
引用
@article{arxiv.2303.17658,
title = {Establishing baselines and introducing TernaryMixOE for fine-grained out-of-distribution detection},
author = {Noah Fleischmann and Walter Bennette and Nathan Inkawhich},
journal= {arXiv preprint arXiv:2303.17658},
year = {2023}
}