基于证据学习的多标签分布外检测
计算机视觉与模式识别
2025-02-26 v1
摘要
机器学习算法的一项关键要求不仅在于表现良好，还在于在遇到新场景时展现出鲁棒性和适应性。实现这些特征的一种方式是为深度学习模型赋予检测分布外（OOD）数据的能力，即属于与训练所用分布不同的数据。当这些数据通常为多标签时，情况更加复杂。在本文中，我们提出了一种基于证据深度学习的方法，以应对应用于视觉识别问题时的这些挑战。具体而言，我们设计了一种使用Beta证据神经网络（Beta Evidential Neural Network）来计算样本似然和预测不确定性的CNN架构。基于这些结果，我们随后提出了两种新的基于不确定性的OOD检测分数：（i）基于最大证据的OOD-score Max；以及（ii）OOD-score Sum，考虑所有输出的证据。通过在三个广泛使用的数据集（PASCAL-VOC、MS-COCO和NUS-WIDE）上进行的广泛实验，验证了所提出方法相对于若干最先进方法的优越性。
引用
@article{arxiv.2502.18224,
title = {Multi-label out-of-distribution detection via evidential learning},
author = {Eduardo Aguilar and Bogdan Raducanu and Petia Radeva},
journal= {arXiv preprint arXiv:2502.18224},
year = {2025}
}
备注
Accepted at Uncertainty Quantification for Computer Vision workshop (ECCVW 2024)