基于擦除的学习：基于条件熵的可迁移分布外检测
计算机视觉与模式识别
2024-03-28 v3
摘要
分布外（OOD）检测对于处理训练与测试场景之间的分布偏移至关重要。对于新的分布内（ID）数据集，现有方法需要重新训练以捕获特定于该数据集的特征表示或数据分布。本文中，我们提出一种基于深度生成模型（DGM）的可迁移 OOD 检测方法，其无需在新的 ID 数据集上重新训练。我们设计了一种图像擦除策略，为每个 ID 数据集配备独有的条件熵分布，该分布决定了 DGM 后验不确定性分布在不同 ID 数据集上的差异。得益于卷积神经网络的强大表示能力，所提模型在复杂数据集上训练后无需重新训练即可捕获 ID 数据集之间的上述差异，从而实现可迁移的 OOD 检测。我们在五个数据集上验证了所提方法，并证实我们的方法取得了与最先进（SOTA）的基于组的 OOD 检测方法相当的性能，而后者需重新训练以部署于新的 ID 数据集。我们的代码可在 https://github.com/oOHCIOo/CETOOD 获取。
引用
@article{arxiv.2204.11041,
title = {Learning by Erasing: Conditional Entropy based Transferable Out-Of-Distribution Detection},
author = {Meng Xing and Zhiyong Feng and Yong Su and Changjae Oh},
journal= {arXiv preprint arXiv:2204.11041},
year = {2024}
}
备注
update new experimental results