面向真实场景的分布外检测扩展
计算机视觉与模式识别
2022-05-17 v4 机器学习
摘要
检测分布外样本对安全关键的机器学习应用（如检测新生物现象和自动驾驶汽车）十分重要。然而，现有研究主要聚焦于简单小规模设置。为更真实的分布外检测奠定基础，我们脱离小规模设置，探索具有高分辩率图像和数千类的大规模多类和多标签设置。为使未来在真实场景下的工作成为可能，我们为三种大规模设置创建了新的基准。为测试ImageNet多类异常检测器，我们引入了包含超过700,000张图像和超过一千个异常物种的Species数据集。我们利用ImageNet-21K评估PASCAL VOC和COCO多标签异常检测器。第三，我们通过引入带道路异常的分割基准，为异常分割提供新基准。我们在这些更真实的分布外检测设置中进行了广泛实验，发现一个基于最大logit的惊人简单检测器在所有大规模多类、多标签和分割任务中优于先前方法，为未来工作建立了简单的新基线。
引用
@article{arxiv.1911.11132,
title = {Scaling Out-of-Distribution Detection for Real-World Settings},
author = {Dan Hendrycks and Steven Basart and Mantas Mazeika and Andy Zou and Joe Kwon and Mohammadreza Mostajabi and Jacob Steinhardt and Dawn Song},
journal= {arXiv preprint arXiv:1911.11132},
year = {2022}
}
备注
ICML 2022; The Species dataset and code are available at https://github.com/hendrycks/anomaly-seg