语义一致的分布外检测
计算机视觉与模式识别
2021-08-27 v1
摘要
当前的分布外（OOD）检测基准通常将一个数据集定义为分布内（ID），其余所有作为 OOD。然而，这些基准不幸引入了某些不必要且不切实际的目标，例如完美区分 CIFAR 狗与 ImageNet 狗，尽管它们语义相同且协变量偏移可忽略。这些不切实际的目标将导致模型能力范围极其狭窄，极大限制其在真实应用中的使用。为克服这些缺陷，我们重新设计基准并提出语义一致的分布式外检测（SC-OOD）。在 SC-OOD 基准上，现有方法性能大幅下降，表明它们对数据源间的低级差异极度敏感，却忽略了固有语义。为开发有效的 SC-OOD 检测方法，我们利用外部无标签集并设计了一个以无监督双重分组（UDG）为特征的简洁框架，用于 ID 与 OOD 数据的联合建模。所提 UDG 不仅能通过无监督利用无标签数据来丰富模型的语义知识，还能区分 ID/OOD 样本以同时增强 ID 分类与 OOD 检测任务。大量实验表明我们的方法在 SC-OOD 基准上达到了最先进性能。代码与基准见项目页：https://jingkang50.github.io/projects/scood。
引用
@article{arxiv.2108.11941,
title = {Semantically Coherent Out-of-Distribution Detection},
author = {Jingkang Yang and Haoqi Wang and Litong Feng and Xiaopeng Yan and Huabin Zheng and Wayne Zhang and Ziwei Liu},
journal= {arXiv preprint arXiv:2108.11941},
year = {2021}
}
备注
15 pages, 7 figures. Accepted by ICCV-2021. Project page: https://jingkang50.github.io/projects/scood