CVPRMay, 2021

使用软布朗偏移取样和自编码器进行超范围检测和生成

PDF
TL;DR本文提出了一种新的方法，通过自动编码器和软布朗运动偏移方法，基于给定的分布数据集生成足够接近真实数据的数据集，并用于改善深度神经网络的过度自信和提高其性能。该方法可以用于时间序列和 MNIST 数据集等数据的实验，并成功改善了这些数据的缺陷以及自动驾驶轨迹预测算法的效果验证。
deep neural networksout-of-distribution detectionautoencodersoft brownian offset methodout-of-distribution classifier
发现论文，激发创造
  • 基于贝叶斯变分自编码器的无监督异常检测

    为了解决深度神经网络在面对训练数据分布不同的测试数据时可能会出现的不可靠预测问题，我们提出基于贝叶斯变分自编码器模型的概率无监督方法，以此来检测输入空间和模型潜在空间中的群集分布异常。

    Dec, 2019

  • 一种简单的统一框架用于检测样本的离群点和对抗攻击

    本文提出了一种简单而有效的方法，可用于检测任何异常样本，适用于任何预训练的 softmax 神经分类器，在高鲁棒性方面表现优越，同时在检测离群样本和对抗样本方面都取得了最先进的性能，在分类增量学习中有着更广泛的应用。

    Jul, 2018

  • 分类器中的数据分布外检测 via 生成

    本文中，我们通过研究生成 “有效” 的 OOD 样本的复杂性，分析了调整之前的方法的可行性。我们提出了一种使用流形学习网络（例如变分自编码器）生成这些样本的新算法，然后训练一个 $n+1$ 分类器来检测 OOD，其中第 $n+1$ 类代表 OOD 样本。我们在 MNIST 和 Fashion-MNIST 数据集上将我们的方法与几种最近的基于分类器的 OOD 检测器进行了比较，实验表明我们的方法总体上表现更好。

    Oct, 2019

  • 重新思考基于重构自编码器的异常检测

    使用基于重构自编码器的方法处理离群样本检测问题，通过最大化压缩自编码器的潜在空间、语义重构、数据置信度分解和归一化 L2 距离等策略有效地提高方法性能，达到了各类基准测试的最新技术水平。

    Mar, 2022

  • 马哈拉诺比斯感知训练用于外部分布检测

    在本研究中，我们提出了一种新的损失函数和网络训练方法，以提高密度感知的开放世界环境中对异常和越界样本的检测能力，并在 CIFAR-10 数据集上进行了验证，将相对马氏距离方法在远距离越界任务中的错误正例率降低了 50% 以上。

    Nov, 2023

  • 基于连通性重构的新奇性检测

    本研究提出了一种简单而高效的基于重构的方法，用于检测计算机视觉中的分类外样本，该方法不仅具有比 GAN 等模型更好的性能，还利用实际数据和生成样本结合的方式同时引入了重构误差和生成样本。在 MNIST 和 Caltech-256 数据集上，我们的模型在检测新奇样本方面实现了比现有方法显着的改进。

    Oct, 2022

  • 深度特征概率建模用于外样本和对抗性检测

    本文提出了一种基于深度神经网络的参数概率分布模型来检测分布外和对抗性样本的方法，并探讨了高精度建模特征分布所带来的实际增益。

    Sep, 2019

  • 基于自编码器的消除伪相关性方法

    通过自动编码器方法分析了 Global Wheat Head Detection（GWHD）2021 数据集中存在的错误关联，并使用修复和加权盒融合方法成功提高了平均域准确率（ADA），证明了该方法能够抑制部分 GWHD 2021 数据集中的错误关联。

    Jun, 2024

  • Open-Sampling：探索越界数据以重新平衡长尾数据集

    该论文提出了一种基于开集样本和贝叶斯理论的数据重平衡方法，命名为 Open-sampling，它可以提高神经网络的性能和学习可分离的表示，并且在实验中优于现有的数据重平衡方法和最先进的方法。

    Jun, 2022

  • 训练置信度校准的分类器用于检测离分布样本

    本文提出了一种新的分类器训练方法，通过对深度神经网络引入两个额外的术语来增强分类器的推断性能，并同时训练分类和生成神经网络以解决样本的分布问题，该方法在多个流行的图像数据集上通过使用深度卷积神经网络的实验证明了其有效性。

    Nov, 2017