MOS：面向大规模语义空间扩展分布外检测
计算机视觉与模式识别
2021-05-06 v1 机器学习
摘要
检测分布外（OOD）输入是在真实世界中安全部署机器学习模型的核心挑战。现有方案主要由小型数据集驱动，其分辨率低且类别标签极少（如 CIFAR）。因此，大规模图像分类任务中的 OOD 检测在很大程度上仍未被探索。本文中，我们填补这一关键空白，提出一种基于分组的 OOD 检测框架，以及一种称为 MOS 的新型 OOD 评分函数。我们的核心思想是将大型语义空间分解为具有相似概念的较小组，从而简化分布内与分布外数据之间的决策边界，以实现有效的 OOD 检测。与先前方法相比，我们的方法在高维类别空间中扩展性显著更优。我们在 ImageNet 上训练的模型针对四个精心策划的、涵盖多样语义的 OOD 数据集进行评估。MOS 建立了最先进的性能，将平均 FPR95 降低 14.33%，同时与先前最佳方法相比实现了 6 倍推理加速。
引用
@article{arxiv.2105.01879,
title = {MOS: Towards Scaling Out-of-distribution Detection for Large Semantic Space},
author = {Rui Huang and Yixuan Li},
journal= {arXiv preprint arXiv:2105.01879},
year = {2021}
}
备注
Paper accepted as an oral presentation in CVPR'21