重新思考分布外（OOD）检测：掩码图像建模即所需
计算机视觉与模式识别
2023-04-12 v2
摘要
分布外（OOD）检测的核心是学习可区分于 OOD 样本的分布内（ID）表示。以往的工作应用基于识别的方法来学习 ID 特征，这往往倾向于学习捷径而非全面的表示。在这项工作中，我们惊讶地发现，简单地使用基于重构的方法可以显著提升 OOD 检测的性能。我们深入探讨了 OOD 检测的主要贡献因素，发现基于重构的代理任务有潜力提供一种普遍适用且有效的先验，这有助于模型学习 ID 数据集的内在数据分布。具体而言，我们将掩码图像建模作为 OOD 检测框架（MOOD）的代理任务。无需繁杂的额外设计，MOOD 在单类 OOD 检测上超越了以往的 SOTA 5.7%，在多类 OOD 检测上超越了 3.0%，在近分布 OOD 检测上超越了 2.1%。它甚至击败了每类 10 样本的离群值暴露 OOD 检测，尽管我们在检测中没有包含任何 OOD 样本。
引用
@article{arxiv.2302.02615,
title = {Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need},
author = {Jingyao Li and Pengguang Chen and Shaozuo Yu and Zexin He and Shu Liu and Jiaya Jia},
journal= {arXiv preprint arXiv:2302.02615},
year = {2023}
}
备注
This paper is accepted by CVPR2023 and our codes are released here: https://github.com/JulietLJY/MOOD