面向分布外检测的分布内样本关键特征替换

分布外（OOD）检测可用于基于深度学习的应用中，以拒绝离群样本被深度神经网络不可靠地分类。由于前者所包含的数据极为多样，学习在 OOD 与分布内样本之间进行分类是困难的。据观察，当辅助 OOD 数据集的样本在语义上与分布内图像相似时，其在训练“拒绝”网络时最为有效。我们首先推断，当 OOD 图像与分布内样本共享共同背景时，深度神经网络会认为它们在语义上相似，因为观察到深度网络对此类图像以高置信度错误分类。我们随后提出一种简单而有效的“通过修复替换分布内关键特征”（KIRBY）流程，该流程通过将分布内样本的类判别特征替换为边缘背景特征来构建代理 OOD 数据集。该流程可使用现成的视觉算法实现，其中算法内的每一步都被证明使代理数据越来越近似于分布内数据。我们对每一步中的设计选择进行了广泛研究，并与最先进算法的详尽比较展示了 KIRBY 在各基准上的竞争力。