Mar, 2024
COOD: 大规模分层分类中使用多个测量值的组合型超出分布检测方法，用于异常和新类别的检测
COOD: Combined out-of-distribution detection using multiple measures for
anomaly & novel class detection in large-scale hierarchical classification
TL;DR通过结合不同的出域检测(OOD)措施为一个组合出域检测(COOD)措施，本研究针对物种识别任务提出了一个能在大规模数据库中、大量的细粒度层级类别、严重的类别不均衡和不同图像质量下应用的框架。在大规模生物多样性数据集上对COOD进行了广泛评估，结果表明，在大多数实验中，COOD在TPR@1% FPR方面的表现远优于单独的OOD措施，包括最先进的措施，例如，对于iNaturalist 2018数据集，COOD将ImageNet图像（OOD）的检测率从54.3%提高到85.4%。同时，研究还表明，不同的OOD措施对于各种任务都是必不可少的，因此需要多种OOD措施和组合以实现泛化。此外，作者还指出，明确考虑对于原始（物种）识别任务而言分类错误的ID图像对于构建高性能的OOD检测方法至关重要，并具有实际应用性。这个框架也可以轻松地扩展或适应到其他任务和媒体形式。