基于缩放余弦相似度softmax的无超参数分布外检测
计算机视觉与模式识别
2019-11-27 v3
摘要
检测分布外(OOD)样本的能力对于保障深度神经网络在真实应用中的可靠性至关重要。考虑到OOD样本的性质,检测方法不应具有需依据 incoming OOD样本调节的超参数。然而,近期多数提出的方法不满足该要求,导致在真实应用中性能受损。本文提出一种简单的、无超参数的方法,基于缩放余弦相似度的softmax。它类似于现代度量学习方法所采用的思路,但在细节上不同;这些差异对于实现高检测性能至关重要。我们通过实验表明,在Shafaei等人近期提出的、考虑了上述超参数依赖问题的评测测试上,我们的方法优于现有方法。我们还表明,在常规测试(其超参数使用显式OOD样本选定)中,它至少取得与其他方法相当的性能。此外,由于仅需单次前向传播,其计算效率高于多数先前方法。
引用
@article{arxiv.1905.10628,
title = {Hyperparameter-Free Out-of-Distribution Detection Using Softmax of Scaled Cosine Similarity},
author = {Engkarat Techapanurak and Masanori Suganuma and Takayuki Okatani},
journal= {arXiv preprint arXiv:1905.10628},
year = {2019}
}
备注
Extend the supplementary material