MOS: 针对大型语义空间的扩展分布外检测
本研究提出了第一个多尺度的 “模式”(MODE)框架,通过同时利用图像的全局视觉信息和局部区域细节来实现最大效益的外域检测。通过引入注意力机制和交叉尺度决策函数,MODE 在几个基准测试中表现出卓越的性能,平均可以在误报率上提高 19.24%、在 AUROC 上提高 2.77%。
Aug, 2023
本文提出了一种针对视觉分类中的开放世界场景中的数据分割问题的新方法,该方法能够训练出一个专门针对原始训练集以及更大的 “背景” 数据集的 ODD(出现在分布之外的异常值)检测模型,并在测试复杂自然图像的数据集中得到了优异的表现。
Aug, 2018
提出了一种名为 ODPC 的新方法,通过大型语言模型设计生成特定提示词来产生具有 ID 语义的 OOD 对等类,以便于检测,并采用基于 OOD 对等类的对比损失来学习紧凑的 ID 类别表示,并改善不同类别之间的界限清晰度。在五个基准数据集上进行的广泛实验表明,该方法可以得到最先进的结果。
Mar, 2024
通过广泛的实验,我们展示了当前的 ODD 检测器对于协变量转移比语义转移更为敏感,并且最新的 ODD 检测算法对于语义转移的检测效果微乎其微。我们的数据集和分析为指导未来的 ODD 检测器设计提供了重要见解。
Oct, 2023
本文提出了一种名为 ObsNet 的 OOD 检测体系结构,通过基于局部对抗攻击(LAA)的专用训练方案,实现了在速度和精度方面得到表现的最佳方法,解决了当前方法在实际应用中速度和精度快慢两难的问题。
Aug, 2021
通过对比研究和深度分析来评估各种最先进的方法对基于置信度的 OOD 检测的能力,并采用计算机视觉基准来复现和比较多种 OOD 检测方法。评估了它们在使用胸部 X 线进行疾病分类这一具有挑战性任务中的能力,结果表明在计算机视觉任务中高性能不直接转化为医学成像任务中的准确性,因此为开发下一代 OOD 检测方法提供了有用的见解。
Jul, 2021
本论文提出了一种新的多层级的离群检测框架 MOOD,通过中间分类器的输出进行动态且高效的离群推理,调整能量分数可以有效地检测简单的离群值,从而实现高达 71.05%的计算减少并保持竞争力的离群检测性能。
Apr, 2021
深度神经网络在各种技术和服务中得到越来越广泛的应用,但其容易受到来自训练集不同分布的样本的干扰,而常见的解决方法是使深度神经网络具备检测这种样本的能力。本文提出了一种基于 ImageNet 和 Places365 的全面评估标准,根据与训练集的语义相似性,将个别类别分为内部分布和外部分布,通过不同的技术确定哪些类别应被视为内部分布,得到具备不同性质的评估标准。不同的 ODD 检测技术在不同的评估标准下的实验结果表明,它们的有效性取决于所选择的评估标准,而基于置信度的技术在接近 ODD 样本上可能优于基于分类器的技术。
Apr, 2024
本研究提出了一种基于极值的新型 OOD 检测框架 XOOD,包括两个算法:完全无监督的 XOOD-M 和自我监督的 XOOD-L,两者都依赖于神经网络中激活层数据的极值信号以区分内部分布和 OOD 实例。实验证明,XOOD-M 和 XOOD-L 在效率和准确性方面均优于现有的状态 - of-the-art OOD 检测方法,在降低误报率(FPR95)50%,同时将推理时间提高一个数量级。
Aug, 2022