基于高维特征子空间投影的类外分布检测
计算机视觉与模式识别
2024-05-06 v1
摘要
类外分布检测（OOD）对于可靠的模式分类至关重要，用于判别样本是否来源于训练分布之外。这篇论文聚焦于最终卷积层输出的高维特征，这些特征包含丰富的图像特征。我们的核心思想是将这些高维特征投射到两个特定的特征子空间中，利用网络线性层的降维能力，这些层是使用预定义均匀分布类质心（PEDCC）损失训练的。这涉及计算三个投影角度的余弦值和特征的范数值，从而识别用于类内分布（ID）和类外分布（OOD）数据的独特信息，有助于 OOD 检测。基于此，我们修改了批量归一化（BN）和 ReLU 层，这些层位于全连接层之前，减小了其对输出特征分布的影响，从而扩大了 ID 和 OOD 数据特征之间的分布间隙。该方法仅需训练分类网络模型，无需输入预处理或特定的 OOD 数据预调谐。在多个基准数据集上的大量实验表明，我们的方法在性能上达到最先进的水平。我们的代码已公开于 https://github.com/Hewell0/ProjOOD
引用
@article{arxiv.2405.01662,
title = {Out-of-distribution detection based on subspace projection of high-dimensional features output by the last convolutional layer},
author = {Qiuyu Zhu and Yiwei He},
journal= {arXiv preprint arXiv:2405.01662},
year = {2024}
}
备注
10 pages, 4 figures