语义驱动的基于能量的分布外检测
计算机视觉与模式识别
2022-08-24 v1
摘要
在分类或目标检测等现实世界视觉应用中检测分布外(OOD)样本,已成为当今深度学习系统部署的必要前提。已有许多技术被提出,其中基于能量的OOD方法已被证明具有前景并取得了令人印象深刻的性能。我们提出了语义驱动的基于能量的方法,这是一个端到端可训练且易于优化的系统。我们利用与表示分数耦合的能量分数来区分分布内样本与分布外样本。我们通过最小化分布内样本的能量并同时学习更紧密的各类表示,以及最大化分布外样本的能量并将其表示推离已知类表示来实现这一点。此外,我们提出了一种称为聚类焦点损失(Cluster Focal Loss, CFL)的新损失函数,该损失函数在学习更好的类级聚类中心表示方面被证明简单而非常有效。我们发现,我们的新方法增强了离群点检测,并作为基于能量的模型在常用基准上达到了最先进水平。在CIFAR-10和CIFAR-100上训练的WideResNet上,与现有基于能量的方法相比,我们的模型分别将相对平均假阳性率(在95%真阳性率下)显著降低了67.2%和57.4%。此外,我们将我们的框架扩展到目标检测并取得了改进的性能。
引用
@article{arxiv.2208.10787,
title = {Semantic Driven Energy based Out-of-Distribution Detection},
author = {Abhishek Joshi and Sathish Chalasani and Kiran Nanjunda Iyer},
journal= {arXiv preprint arXiv:2208.10787},
year = {2022}
}
备注
accepted at International Joint Conference on Neural Networks (IJCNN) 2022