基于关系推理的OOD检测并不需要大类间分离
计算机视觉与模式识别
2023-07-13 v1
摘要
标准识别方法无法处理测试时的新类别。其对已知类的过度自信使预测在医疗或自动驾驶等安全关键应用中不可靠。分布外(OOD)检测方法通过识别语义新颖性提供解决方案。此类方法大多利用对已知数据的学习阶段，即训练(或微调)模型以捕捉正常性概念。该过程显然对可用样本量敏感，且对车载系统可能计算昂贵。一种可行替代方案是评估大型预训练模型生成的嵌入空间中的相似性而无需进一步学习。我们正聚焦于此种免微调的OOD检测设定。本文对近期引入的关系推理预训练进行了深入分析，并探究所学嵌入的性质，揭示了类间特征距离与OOD检测精度间存在相关性。由于类分离取决于所选预训练目标，我们提出一种替代损失函数以控制类间间隔，并通过充分实验展示其优势。
引用
@article{arxiv.2307.06179,
title = {Large Class Separation is not what you need for Relational Reasoning-based OOD Detection},
author = {Lorenzo Li Lu and Giulia D'Ascenzi and Francesco Cappio Borlino and Tatiana Tommasi},
journal= {arXiv preprint arXiv:2307.06179},
year = {2023}
}
备注
Accepted for publication at ICIAP 2023