ECCVJul, 2022

基于掩蔽下语义不匹配的 ODS 检测

PDF
TL;DR本文提出了一种名为 MoodCat 的新型出界检测框架，该框架适用于图像分类器，并使用了一种生成模型来遮盖随机部分的输入图像，并将其合成为一张依据分类结果的新图像，然后计算原始图像和合成图像之间的语义差异以进行出界检测。实验结果表明，MoodCat 比其他现有的 OOD 检测方法具有更好的性能。
发现论文，激发创造
  • 重新思考外域（OOD）检测：掩模图像建模就是您所需的一切

    本文提出利用基于重建的先验任务构建的模型，用于检测 OOD，并通过 Masked Image Modeling 预训练，取得了比先前 SOTA 更好的表现，包括单类 OOD 检测高出 5.7％，多类 OOD 检测高出 3.0％，近分布 OOD 检测高出 2.1％。

    Feb, 2023

  • MOODv2：面罩图像建模用于超出分布检测

    主要研究了有效的离域检测的关键是获取一个稳健的域内表示，与离域样本有所区别；通过对不同的预训练任务和离域得分函数进行全面分析，发现通过重构预训练的特征表示显著增强了性能，并缩小了各个得分函数之间的性能差距。

    Jan, 2024

  • 语义分割的判别式非分布检测

    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

  • DiffGuard: 利用预训练扩散模型进行语义不匹配引导的 ODD 检测

    使用预训练扩散模型进行语义不匹配引导的 OOD 检测，名为 DiffGuard，在 Cifar-10 和大规模 ImageNet 上表现出效果，并且可以与现有的 OOD 检测技术轻松结合以实现最先进的结果。

    Aug, 2023

  • MIM-OOD: 针对医学图像中的离群检测的生成式遮罩图像建模

    使用两个与任务相关的 Transformer，通过应用 MIM 模型来替代 AR 模型，实现对脑部 MRI 异常的快速检测和修复，明显优于 AR 模型，并获得近 25 倍的加速。

    Jul, 2023

  • MOOD: 多层次的分布外检测

    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

  • 语义一致的异常检测

    通过对抗高水平的对抗攻击在半先验条件下训练生成对抗网络来提高生成数据的多样性和质量。

    Aug, 2021

  • 使用大型语言模型生成的同类对等生成器进行外部分布检测

    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

  • MOS: 针对大型语义空间的扩展分布外检测

    本文提出了一种基于组的 OOD 检测框架和一种新颖的 OOD 评分函数 MOS，通过将大语义空间分解成具有相似概念的小组，简化内部与外部数据之间的决策边界，从而使得面对高维度分类空间的场景下，我们的方法比以前的方法更为有效。在四个精心策划的 OOD 数据集上进行了评估，证明了 MOS 的性能优越，相比之前最好的方法，平均 FPR95 降低 14.33％，推理速度提高 6 倍。

    May, 2021

  • 统一的超领域检测：基于模型视角

    本文提出了一个更广泛的框架来研究模型针对特定因素（如未知类别、协变量变化等) 检测 out-of-distribution（OOD）问题，该框架能够检测出一个训练好的机器学习模型无法正确预测的测试样例，而是否拒绝该测试样例取决于模型本身，该文提供了大量分析和见解，用以改进和理解在不受控制的环境中的 OOD 检测。

    Apr, 2023