利用解耦的前景与背景特征改进分布外检测
计算机视觉与模式识别
2024-09-11 v2
摘要
检测分布外（OOD）输入是在开放集场景中部署深度神经网络分类器时保障安全的一项核心任务。OOD样本可取自任意分布，并在多个维度上表现出与分布内（ID）数据的偏离，例如前景特征（如CIFAR100图像中的物体与CIFAR10图像中的物体）和背景特征（如纹理图像与CIFAR10中的物体）。现有方法在训练中可能混淆前景与背景特征，未能利用背景特征进行OOD检测。本文考虑了特征解耦在分布外检测中的重要性，并提出同时利用前景与背景特征来支持OOD输入的检测。为此，我们提出了一种新颖框架，首先通过密集预测方法从ID训练样本中解耦前景与背景特征，然后学习一个新的分类器，能够从前景和背景特征两方面评估测试图像的OOD分数。该框架具有通用性，可与多种现有OOD检测方法无缝结合。大量实验表明，我们的方法1）能在具有多样背景特征的多个广泛使用的OOD数据集上大幅提升四种不同最先进（SotA）OOD检测方法的性能，且2）在这些基准上取得了新的SotA性能。
引用
@article{arxiv.2303.08727,
title = {Improving Out-of-Distribution Detection with Disentangled Foreground and Background Features},
author = {Choubo Ding and Guansong Pang},
journal= {arXiv preprint arXiv:2303.08727},
year = {2024}
}
备注
Accepted by ACM MM 2024, 9 pages