全谱分布外检测
计算机视觉与模式识别
2022-04-12 v1 人工智能
机器学习
摘要
现有分布外（OOD）检测文献明确将语义偏移定义为 OOD 的标志，但对协变量偏移未达成共识。经历协变量偏移但无语义偏移的样本或被排除在测试集之外，或被当作 OOD 处理，这与机器学习的主要目标——能够泛化至训练分布之外——相矛盾。本文同时考虑两类偏移，引入全谱 OOD（FS-OOD）检测，这一更现实的问题设定既考虑检测语义偏移又容忍协变量偏移，并设计了三个基准。这些新基准对分布进行了更细粒度的分类（即训练 ID、协变量偏移 ID、近 OOD 与远 OOD），以更全面地评估算法的优劣。为解决 FS-OOD 检测问题，我们提出 SEM，一种简单的基于特征的语义评分函数。SEM 主要由两个概率度量组成：一个基于包含语义与非语义信息的高层特征，另一个仅基于捕捉非语义图像风格的低层特征统计。通过简单组合，非语义部分被抵消，仅留下语义信息于 SEM 中，从而更好地处理 FS-OOD 检测。在三个新基准上的大量实验表明，SEM 显著优于当前最先进方法。我们的代码与基准发布于 https://github.com/Jingkang50/OpenOOD。
引用
@article{arxiv.2204.05306,
title = {Full-Spectrum Out-of-Distribution Detection},
author = {Jingkang Yang and Kaiyang Zhou and Ziwei Liu},
journal= {arXiv preprint arXiv:2204.05306},
year = {2022}
}
备注
Code and benchmarks are integrated in OpenOOD: https://github.com/Jingkang50/OpenOOD, a unified codebase for OOD detection