多层聚合作为基于特征的分布外检测的关键
计算机视觉与模式识别
2023-07-31 v1 机器学习
图像与视频处理
摘要
深度学习模型很容易受到训练阶段未观察到的输入图像变化的干扰，从而导致不可预测的预测。在医学图像分析中，检测此类分布外（OOD）图像尤为关键，因为可能异常的范围极其广泛。近来，基于训练模型中间特征分析的一类新方法已经出现。这些方法可分为两类：考虑在固定且精心选择的层获得的特徵图（feature map）的单层方法，以及考虑模型生成的特征图集合的多层方法。尽管前景可期，但这些算法的恰当比较仍然缺乏。在本工作中，我们在大量OOD（20种类型，约7800张3D MRI）上比较了各种基于特征的OOD检测方法。我们的实验揭示了两个现象。首先，多层方法始终优于单层方法，后者往往因异常类型不同而出现不一致的行为。其次，OOD检测性能高度依赖于底层神经网络的架构。
引用
@article{arxiv.2307.15647,
title = {Multi-layer Aggregation as a key to feature-based OOD detection},
author = {Benjamin Lambert and Florence Forbes and Senan Doyle and Michel Dojat},
journal= {arXiv preprint arXiv:2307.15647},
year = {2023}
}
备注
Accepted for presentation at the Workshop on Uncertainty for Safe Utilization of Machine Learning in Medical Imaging (UNSURE) at MICCAI 2023