基于最大分类器差异的无监督分布外检测
计算机视觉与模式识别
2019-09-10 v1
摘要
由于深度学习模型已在许多商业应用中部署，正确检测分布外（OOD）输入对于维持模型性能、确保所收集数据质量以及防止应用被用于非预期目的十分重要。本工作中，我们提出一种双头深度卷积神经网络（CNN），并通过最大化两个分类器间的差异来检测 OOD 输入。我们训练一个由一公共特征提取器和两个具有不同决策边界但能正确分类分布内（ID）样本的分类器组成的双头 CNN。与先前方法不同，我们还利用无标签数据进行无监督训练，并使用这些无标签数据最大化两个分类器决策边界间的差异，以将 OOD 样本推离 ID 样本流形之外，从而使我们能检测远离 ID 样本支撑集的 OOD 样本。总体而言，我们的方法在多个 OOD 检测基准及两种真实世界仿真情形下显著优于其他最先进（SOTA）方法。
引用
@article{arxiv.1908.04951,
title = {Unsupervised Out-of-Distribution Detection by Maximum Classifier Discrepancy},
author = {Qing Yu and Kiyoharu Aizawa},
journal= {arXiv preprint arXiv:1908.04951},
year = {2019}
}