长尾识别中基于校准异常类学习的分布外检测
计算机视觉与模式识别
2023-12-20 v2
摘要
现有的分布外（OOD）检测方法在平衡数据集上取得了巨大成功，但在长尾识别（LTR）场景中却效果不佳：1）OOD 样本常被错误分类到头部类别；和/或 2）尾部类别样本被误认为是 OOD 样本。为了解决这些问题，当前的研究将辅助/伪 OOD 数据的先验分布拟合到长尾分布内（ID）数据中。然而，鉴于真实 OOD 样本的未知性以及 LTR 中严重的类别不平衡，很难获得这样准确的先验分布。避免这一先验要求的一个直接解决方案是学习一个异常类来封装 OOD 样本。接下来的主要挑战是，在学习异常类时如何处理上述 OOD 样本与头部/尾部类别样本之间的混淆。为此，我们引入了一种新颖的校准异常类学习（COCL）方法，其中 1）在异常类学习中引入了去偏大间隔学习方法，以在表示空间中区分 OOD 样本与头部和尾部类别；2）定义了异常类感知的 logit 校准方法，以增强长尾分类的置信度。在三个流行基准 CIFAR10-LT、CIFAR100-LT 和 ImageNet-LT 上的大量实验结果表明，COCL 在 LTR 中的 OOD 检测方面大幅优于现有 SOTA 方法，同时能够提高 ID 数据的分类准确率。代码可在 https://github.com/mala-lab/COCL 获取。
引用
@article{arxiv.2312.10686,
title = {Out-of-Distribution Detection in Long-Tailed Recognition with Calibrated Outlier Class Learning},
author = {Wenjun Miao and Guansong Pang and Tianqi Li and Xiao Bai and Jin Zheng},
journal= {arXiv preprint arXiv:2312.10686},
year = {2023}
}
备注
AAAI2024, with supplementary material