利用生成的文本异常值,进行视觉异常值探测,以提高神经网络的安全性,该方法在大规模 OoD 和困难 OoD 基准测试中取得了竞争性的性能。
Oct, 2023
本论文利用大量的随机图像来代表异常性,通过一些经过改进的学习方法、标准分类器和一类半监督的方法进行训练,发现无论何时在已有数据的基础上添加一个训练异常样本能够达到很不错的结果(在 ImageNet 基准测试下的 AUC 值可以达到 79.3%),并表明一类方法对于训练异常样本的选择更加鲁棒,与标准分类器相比具有优势,并且在使用 CLIP 表示学习时,零样本的情况下可以实现 ImageNet 上的最新异常检测结果。
May, 2022
本研究提出一种在未标记异常情况下训练异常检测器的策略,通过联合推断二进制标签(正常 vs. 异常)并更新模型参数来使用两个损失的组合,表现出比基准测试更显著的改进。
Feb, 2022
本文介绍了针对移动机器人的视觉异常检测系统的构建问题,提出了使用辅助的异常曝光距离损失来提高 Real-NVP 模型性能的方法,并在室内巡逻情景下进行了实验证明。
Sep, 2022
通过集成外部知识以了解概念动态和区分诱导语义偏移的转换,我们提出了一种名为 Knowledge Exposure(KE)的新方法来增强模型的泛化能力,在新的测试协议上对 CIFAR-10、CIFAR-100 和 SVHN 进行评估,表现优于以前的方法。
Jun, 2024
通过生成多样化的离群点进行外部样本检测,提高模型的可靠性和效果。
通过利用大型语言模型的专业知识和推理能力,我们提出了一种名为 “Envision potential Outlier Exposure”(EOE)的方法,可以在没有访问任何真实 OOD 数据的情况下,通过视觉相似性生成潜在异常类标签并设计有效的分数函数来区分困难的 OOD 样本,从而实现在不同 OOD 任务上的最先进性能,并能扩展到 ImageNet-1K 数据集。
针对图像异常检测问题,提出了使用多分类模型进行训练,鉴别几十种几何变换特征以有效识别异常图像的新算法,并进行了大量实验证明了其超越现有方法的优势。
May, 2018
提出了一种基于多层神经网络内部表征的无监督异常检测框架,其中包括可配置组件的元算法,具有面向统计检验和异常检测的具体实例,并且被评价为在检测敌对攻击和超出分布输入方面比其竞争方法更有效。
Jul, 2020
我们提出了一种名为 Pseudo Outlier Exposure(POE)的简单但有效的方法,通过顺序遮盖与 ID 类相关的令牌来构建一个替代性的 OOD 数据集,该替代性 OOD 样本与 ID 数据具有相似的表示,可以在训练拒绝网络方面发挥最有效的作用,与最先进的算法进行全面比较,在几个文本分类基准测试中证明了 POE 的竞争力。
Jul, 2023