长尾识别中用于分布外检测的局部与非对称对比学习
计算机视觉与模式识别
2022-07-05 v1 机器学习
摘要
现有的分布外（OOD）检测方法通常在类分布均衡的训练集上评测。然而，在实际应用中训练集常具长尾分布。本文首先表明，当训练集为长尾分布时，现有 OOD 检测方法普遍出现显著性能退化。经分析，我们认为这是因为模型难以区分少数尾类分布内样本与真实 OOD 样本，使尾类更易被误检为 OOD。为解决此问题，我们提出局部与非对称监督对比学习（PASCL），显式鼓励模型区分尾类分布内样本与 OOD 样本。为进一步提升分布内分类精度，我们提出辅助分支微调，使用两个分离的 BN 与分类层分支分别用于异常检测与分布内分类。其直觉在于分布内与 OOD 异常数据具有不同底层分布。我们的方法在 CIFAR10-LT、CIFAR100-LT 与 ImageNet-LT 上分别以 、、 的异常检测假正率（FPR）与 、、 的分布内分类精度优于先前最优方法。代码与预训练模型见 https://github.com/amazon-research/long-tailed-ood-detection。
引用
@article{arxiv.2207.01160,
title = {Partial and Asymmetric Contrastive Learning for Out-of-Distribution Detection in Long-Tailed Recognition},
author = {Haotao Wang and Aston Zhang and Yi Zhu and Shuai Zheng and Mu Li and Alex Smola and Zhangyang Wang},
journal= {arXiv preprint arXiv:2207.01160},
year = {2022}
}
备注
ICML 2022