面向视觉离群值检测的双曲度量学习
计算机视觉与模式识别
2024-09-26 v2
摘要
分布外（OOD）检测对于在安全关键应用中部署深度学习模型至关重要。然而，视觉数据固有的层次化概念结构对 OOD 检测至关重要，但基于欧氏几何的传统方法往往难以捕捉这一结构。本文提出一个利用双曲几何优势进行 OOD 检测的度量框架。受先前利用合成离群值优化 OOD 数据决策边界的工作启发，我们将此方法扩展到双曲空间。有趣的是，我们发现合成离群值在双曲空间中并不像在欧氏空间中那样有益于 OOD 检测。此外，我们探索了 OOD 检测性能与双曲嵌入维度之间的关系，以应对资源受限环境中的实际问题。大量实验表明，与欧氏方法相比，我们的框架在 CIFAR-10 和 CIFAR-100 上将 OOD 检测的 FPR95 分别从 22% 降至 15% 和从 49% 降至 28%。
引用
@article{arxiv.2403.15260,
title = {Hyperbolic Metric Learning for Visual Outlier Detection},
author = {Alvaro Gonzalez-Jimenez and Simone Lionetti and Dena Bazazian and Philippe Gottfrois and Fabian Gröger and Marc Pouly and Alexander Navarini},
journal= {arXiv preprint arXiv:2403.15260},
year = {2024}
}
备注
European Conference on Computer Vision ECCV 2024 BEW Workshop