ImageNet-OOD：解读现代分布外检测算法

William Yang; Byron Zhang; Olga Russakovsky

ImageNet-OOD：解读现代分布外检测算法

计算机视觉与模式识别 2024-03-20 v2

作者: William Yang , Byron Zhang , Olga Russakovsky

摘要

分布外(OOD)检测任务的定义向来含糊不清。早期工作聚焦于新类检测，旨在识别改变标签的数据分布偏移，亦称“语义偏移”。然而，近期工作主张关注失败检测，将OOD评估框架扩展至考虑保持标签的数据分布偏移，亦称“协变量偏移”。有趣的是，在这一新框架下，先前被认为最先进的复杂OOD检测器现在的表现与简单的最大softmax概率基线相似，甚至更差。这引发了一个问题：最新的OOD检测器究竟在检测什么？解读OOD检测算法的行为了解耦语义偏移与协变量偏移的评估数据集。为辅助研究，我们提出ImageNet-OOD，一个最小化协变量偏移干扰的干净语义偏移数据集。通过综合实验，我们表明OOD检测器对协变量偏移比语义偏移更敏感，且近期OOD检测算法在语义偏移检测上的益处微乎其微。我们的数据集与分析为指导未来OOD检测器的设计提供了重要见解。

关键词

分布外检测语义偏移协变量偏移 ImageNet-OOD 失败检测基准数据集

引用

@article{arxiv.2310.01755,
  title  = {ImageNet-OOD: Deciphering Modern Out-of-Distribution Detection Algorithms},
  author = {William Yang and Byron Zhang and Olga Russakovsky},
  journal= {arXiv preprint arXiv:2310.01755},
  year   = {2024}
}

备注

ICLR 2024. Code and dataset at https://github.com/princetonvisualai/imagenetood

ImageNet-OOD：解读现代分布外检测算法

摘要

关键词

引用

备注

相关论文