特征空间语义不变性：面向开放集域泛化的增强 OOD 检测
计算机视觉与模式识别
2024-11-13 v1 人工智能
摘要
开放集域泛化针对一个现实挑战：训练模型使其能泛化到未见域（域泛化），同时检测训练中未遇到的未知类别样本（开放集识别）。然而，现有方法大多分别处理这两个问题，限制了实际应用。为克服这一局限，我们引入特征空间语义不变性（FSI），提出统一的开放集域泛化框架。FSI 在特征空间内保持跨域的语义一致性，从而更准确地检测未见域中的分布外（OOD）实例。此外，我们采用生成模型生成具有新颖域风格或类别标签的合成数据，增强模型鲁棒性。初步实验表明，在 ColoredMNIST 上，该方法将 AUROC 提升 9.1% 至 18.9%，同时显著提高了分布内分类准确率。
引用
@article{arxiv.2411.07392,
title = {Feature-Space Semantic Invariance: Enhanced OOD Detection for Open-Set Domain Generalization},
author = {Haoliang Wang and Chen Zhao and Feng Chen},
journal= {arXiv preprint arXiv:2411.07392},
year = {2024}
}
备注
IEEE BigData 2024, Ph.D. Forum