利用扰动鲁棒性增强异常分布检测
计算机视觉与模式识别
2025-03-25 v1
摘要
异常分布检测（OOD）是识别偏离训练数据分布的输入的任务。这是将深度计算机视觉模型安全部署于 open-world environments的关键能力。在本文中，我们提出了一种 post-hoc method，称为 Perturbation-Rectified OOD detection（PRO），基于 prediction confidence for OOD inputs 在扰动下更易被 reduction的洞见。基于此观察，我们提出了 adversarial score function，通过应用梯度下降搜索原输入附近的 local minimum scores。该 procedure enhances IND 和 OOD samples 之间的 separability。重要的是，该方法在不复杂修改 underlying model architectures的基础上提高了 OOD 检测性能。我们在 OpenOOD benchmark上 conduct extensive experiments。我们的 approach further pushes the limit of softmax-based OOD detection，并是 small-scale models中领先的 post-hoc method。在一个 CIFAR-10 model with adversarial training的模型中，PRO有效地检测了 near-OOD inputs，实现了比 state-of-the-art methods 更多 than 10% 在 FPR@95 上的 reduction。
引用
@article{arxiv.2503.18784,
title = {Leveraging Perturbation Robustness to Enhance Out-of-Distribution Detection},
author = {Wenxi Chen and Raymond A. Yeh and Shaoshuai Mou and Yan Gu},
journal= {arXiv preprint arXiv:2503.18784},
year = {2025}
}