基于训练数据的图像离群值合成方法

分布外（OOD）检测对于确保深度学习模型在关键应用中的安全部署至关重要。深度学习模型常常会将OOD样本误识别为分布内（ID）样本。当训练集中存在虚假相关性时，这一漏洞会加剧。同样，在细粒度分类场景中，由于细粒度OOD样本与ID样本高度相似，其检测本身具有挑战性。然而，当前关于OOD检测的研究反而主要集中在相对较容易的（常规）情况。即使是近期少数针对这些挑战性情况的研究，也依赖于精心策划或合成的离群值，最终需要外部数据。这引出了我们的核心研究问题：“我们能否在不依赖任何外部数据的情况下，为细粒度和虚假相关场景创新OOD检测训练框架？”在这项工作中，我们提出了一种统一的、针对虚假相关、细粒度和常规OOD检测的方法（ASCOOD），该方法消除了对外部数据的依赖。首先，我们通过近似破坏不变性特征，从ID数据中合成虚拟离群值。具体而言，我们提出将梯度归因值添加到ID输入中，以破坏不变性特征，同时放大真实类别logit，从而合成具有挑战性的近流形虚拟离群值。然后，我们同时激励ID分类和对虚拟离群值的预测不确定性。为此，我们进一步提出利用经过z分数标准化的标准化特征。ASCOOD有效减轻了虚假相关性的影响，并鼓励捕捉细粒度属性。在**7**个数据集上的广泛实验以及与**30多种**方法的比较，证明了ASCOOD在虚假相关、细粒度和常规场景下的优越性。