生成有效离群监督的免费午餐
计算机视觉与模式识别
2024-01-19 v2
摘要
当部署在实际应用中时，计算机视觉系统会遇到大量意外图像（即分布外数据）。由于潜在上升的安全风险，这些未见数据应被谨慎识别和处理。通常，处理分布外（OOD）检测的现有方法主要关注分类器提取的OOD与分布内（ID）数据特征之间的统计差异。尽管许多此类方案带来了可观的性能提升，降低了处理开放集图像时的假正率（FPR），但它们必然缺乏可靠的理论分析和泛化保证。与已有路径不同，本文基于贝叶斯规则研究OOD检测问题，并对常规分类器遭遇失败的原因给出了令人信服的描述。具体而言，我们的分析揭示，细化原始神经网络给出的概率分布对于OOD检测是必要的，可缓解将高置信度分配给OOD数据的问题。为轻松实现这一点，我们提出一种超有效的方法生成近真实的离群监督。在大规模基准上的大量实验表明，我们提出的 \texttt{BayesAug} 相较先前方案显著将FPR95降低了12.50%以上，提升了机器学习系统的可靠性。代码将公开可用。
引用
@article{arxiv.2301.06657,
title = {Free Lunch for Generating Effective Outlier Supervision},
author = {Sen Pei and Jiaxi Sun and Richard Yi Da Xu and Bin Fan and Shiming Xiang and Gaofeng Meng},
journal= {arXiv preprint arXiv:2301.06657},
year = {2024}
}
备注
We have rewritten this paper, and published as "Image Background Serves as Good Proxy for Out-of-distribution Data" arXiv:2307.00519