伪装直至成功：面向精确的近分布新颖性检测
计算机视觉与模式识别
2022-11-30 v2 机器学习
摘要
我们致力于基于图像的新颖性检测。尽管已有可观进展，现有模型在所谓的“近分布”设定下要么失效，要么面临性能急剧下降，其中正常样本与异常样本之间的差异十分细微。我们首先证明现有方法在近分布设定下性能下降高达 20%。接下来，我们提出利用基于分数的生成模型来产生合成的近分布异常数据。我们的模型随后被微调以将此类数据与普通样本区分开。我们对该策略进行了定量与定性评估，并与多种基于 GAN 的模型进行比较。通过医学图像、物体分类和质量控制等多样应用中的数据集上的大量实验，评估了我们的方法在近分布和标准新颖性检测上的有效性。这表明我们的方法相较现有模型有显著改进，并持续缩小了近分布与标准新颖性检测性能之间的差距。代码仓库位于 https://github.com/rohban-lab/FITYMI。
引用
@article{arxiv.2205.14297,
title = {Fake It Till You Make It: Towards Accurate Near-Distribution Novelty Detection},
author = {Hossein Mirzaei and Mohammadreza Salehi and Sajjad Shahabi and Efstratios Gavves and Cees G. M. Snoek and Mohammad Sabokrou and Mohammad Hossein Rohban},
journal= {arXiv preprint arXiv:2205.14297},
year = {2022}
}