基于深度神经网络不确定性的开集识别——分布外检测是否需要生成式分类器？
机器学习
2019-08-27 v1 计算机视觉与模式识别
机器学习
摘要
我们针对基于预测不确定性的分布外检测进行分析，比较了用于估计各类模型认知不确定性的不同方法，并将其与基于极值理论的开集识别进行对比。虽然仅凭前者似乎不足以克服该挑战，我们证明不确定性与后者方法密切相关。这一点在生成式模型方法中尤为明显：我们表明基于后验的开集识别优于判别模型与基于预测不确定性的离群值拒绝，从而引出分类器是否需要具备生成式能力才能知晓其未见之物的问题。
引用
@article{arxiv.1908.09625,
title = {Open Set Recognition Through Deep Neural Network Uncertainty: Does Out-of-Distribution Detection Require Generative Classifiers?},
author = {Martin Mundt and Iuliia Pliushch and Sagnik Majumder and Visvanathan Ramesh},
journal= {arXiv preprint arXiv:1908.09625},
year = {2019}
}
备注
Accepted at the first workshop on Statistical Deep Learning for Computer Vision (SDL-CV) at ICCV 2019