基于规范化流的黑色素瘤分布外检测
计算机视觉与模式识别
2021-03-24 v1
摘要
生成建模在相当长的一段时间内一直是机器学习研究前沿的话题。随着机器学习领域近期的成功，尤其在深度学习中，对可解释与可解读机器学习的兴趣有所增加。对分布建模并提供密度估计与精确数据似然方面的洞察即是此类特性的一个例子。规范化流（Normalizing Flows，NFs）作为生成建模中相对较新的研究领域，已受到大量关注，因为它能以相对较低的成本做到这一点，同时实现具有竞争力的生成结果。尽管 NFs 的生成能力通常被探索，我们聚焦于探索用于分布外（Out-of-Distribution，OOD）检测的数据分布建模。使用最先进的 NF 模型之一 GLOW，我们尝试在 ISIC 数据集中检测 OOD 样本。我们注意到该模型在相关研究中表现不佳。为改进 OOD 检测，我们探索了掩码方法以抑制耦合层的共适应，但未发现实质性改进。此外，我们利用了 Wavelet Flow，其使用可过滤特定频率成分的小波，从而将建模过程简化为数据驱动的条件小波系数而非完整图像。这使我们能高效地对更高分辨率图像建模，期望其能捕捉更多与 OOD 相关的特征。引入 Wavelet Flow 的论文主要关注其采样高分辨率图像的能力，未处理 OOD 检测。我们给出了结果并提出了若干改进思路，如控制频率成分、使用不同小波以及其他最先进的 NF 架构。
引用
@article{arxiv.2103.12672,
title = {Out-of-Distribution Detection of Melanoma using Normalizing Flows},
author = {M. M. A. Valiuddin and C. G. A. Viviers},
journal= {arXiv preprint arXiv:2103.12672},
year = {2021}
}