Out-of-distribution Detection系列专栏（二）

目录

前言

A baseline for detecting misclassified and out-of-distribution examples in neural networks

ID与OOD

OOD研究中常用的数据集以及实验构造方式

OOD实验的基本设置

Max-Softmax方法的主要思想

评价指标

AUROC与AUPR的计算方法

Max-Softmax检测效果

模型改进

---

前言

这是OOD检测专栏的第二篇文章，也是OOD检测比较正式的开篇之作，在此篇文章中，关于OOD检测任务的描述，衡量指标以及一些实验构造方法都被详细的定义，为后续关于OOD的研究奠定了基础。

A baseline for detecting misclassified and out-of-distribution examples in neural networks

论文链接：https://arxiv.org/pdf/1610.02136.pdf

本篇文章是使用深度学习方法做OOD检测的开篇之作，在介绍文章之前，我们先说明一下什么是OOD，什么是ID。

ID与OOD

ID指的是in-distribution数据，也就是我们熟悉的训练数据；OOD指的是out-of-distribution，在不同的领域也可能被叫做outlier或者是anomaly data，说的是与ID分布不一致的数据。其实ID和OOD的界定比较模糊，通常我们是将语意信息相差较大的两个数据集构成ID和OOD。例如，我们在CIFAR-10上训练好了一个图像分类网络，那么对于这个网络来讲，CIFAR-10数据集的图像就是ID数据，而MNIST，或者是SVHN，以及LSUN等数据集就可以看做是OOD。通常一个比较难以回答的问题就是，在CIFAR-100上训练好的网络，那么CIFAR-10对于网络来说是OOD吗？因为二者相似性很高。在我看来，我们构造验证试验的时候，还是需要尽量选取语义信息具有差异性的两个数据集构成ID与OOD。

OOD研究中常用的数据集以及实验构造方式

在OOD研究中，常用的数据集主要是一些小规模数据，超大规模数据集目前还没有在研究中大范围的看到，这里介绍一下经常使用的几个并说明实验的构造方法。

MNIST，Fashion- MNIST，Omniglot：这是三个单通道的灰度数据集。MNIST与Fashion-MNIST大家都比较熟悉，一个是手写数字，一个是服装图像。Omniglot是一个在小样本学习中经常使用的数据集，它里面包含了1623个类别，每个类别仅有20个样本。在OOD检测中，通常是使用MNIST作为ID数据，将Fashion-MNIST与Omniglot的混合作为OOD数据；或者是将Fashion- MNIST作为ID数据，将MNIST与Omniglot的混合作为OOD数据。由于Omniglot并不适合训练常规的分类网络，因此通常不作为ID数据。

CIFAR-10，CIFAR-100，TinyImageNet，LSUN，SVHN：这是5个RGB三通道的彩色数据集。CIFAR-10与CIFAR-100大家应该都比较熟悉，在分类网络的评测中经常看到它们。TinyImageNet是类似于ImageNet数据集的一个规模较小的数据集，它里面包含有200个种类的数据。LSUN是一个大规模的场景识别数据集，包含厨房、客厅、卧室等等之类的图像。SVHN是街景数字识别，主要是一些门牌号上的数字。这些数据集的下载链接都比较容易找到，我把它们列在文章的最后。在OOD实验设计中，通常是有以下几种设计方法，当然这些组合方案并不绝对，只是为了方便与大家常用的组合进行比较：

• CIFAR-10作为ID数据，SVHN、LSUN、TinyImageNet作为OOD数据
• CIFAR-100作为ID数据，SVHN、LSUN、TinyImageNet作为OOD数据
• SVHN作为ID数据，LSUN、CIFAR-10、TinyImageNet作为OOD数据

因为需要在ID数据上训练分类网络，因此，在设计实验时，通常会选择不太复杂的数据集作为ID，而将其他数据作为OOD数据。

OOD实验的基本设置

在OOD检测中，我们通常约定不可以使用任何形式的OOD数据，我们能接触到的只有ID数据，这也是符合OOD研究的目的的。在实际使用中，网络不可能会见到所有的OOD图像，因此，如果在网络接触到的OOD数据上评测它的拒识能力是没有意义的。在一些方法中，作者使用了OOD数据来finetune网络，这样得到的指标结果是偏高的，并且说服力不强。

Max-Softmax方法的主要思想

在后续的专栏中，我们使用Max-Softmax来指代本文章中提出的方法。在实验中，作者发现了虽然卷积神经网络会赋予OOD样本很高的置信度，但是从统计规律来看，ID数据的置信度是要高于OOD样本的置信度的。这里的置信度指的是Softmax激活函数输出的所有类别的置信度的最大值。用这个最大的置信度来判断样本是ID还是OOD就是所谓的Max-Softmax方法。因此，这篇文章是直接使用传统的卷积神经网络来检测OOD样本的，检测的依据是网络输出的置信度的最大值。

评价指标

如何评价方法检测OOD的能力需要统一的标准。在本文中，作者巧妙的规避了显式的设定置信度阈值的评价方法，而是采用了两个阈值无关的评价准则，AUROC与AUPR。值得说明的一点是，虽然这两个评价指标不需要定义阈值，但是在实际应用中，需要在ROC曲线或者PR曲线上选择合适的点，也就是合适的置信度阈值来进行OOD判断。

那么如何计算AUROC与AUPR呢？OOD检测本质上是一个二分类问题，对于测试样本，我们是知道它们的真实标签的，也就是0-1标签，表示是ID样本还是OOD样本。同样的，我们的模型利用Softmax输出的最大置信度作为当前样本是ID数据的概率。利用这两组数值，我们就可以计算AUPR与AUROC。在计算AUPR的时候，作者将ID看作正样本计算AUPRin，将OOD样本看作正样本计算AUPRout，这两个指标分别反映了网络检测ID的能力与检测OOD的能力。AUPR以及AUROC这两个指标都是越大越好。

AUROC与AUPR的计算方法

我们用target来表示样本的真实标签，也就是0-1标签，0代表是OOD样本，1代表是ID样本。用prob来表示Max-Softmax的预测结果，也就是Softmax映射函数输出的最大置信度。置信度越接近于1，代表模型越确信输入样本为ID数据。有了target与prob，我们便可以计算AUROC以及AUPR。

from sklearn.metrics import roc_auc_score, average_precision_score

def get_metric(target, prob):
    au_roc = roc_auc_score(target, prob)
    au_pr_in = average_precision_score(target, prob)
    au_pr_out = average_precision_score(1 - target, -1 * prob)
    return au_roc, au_pr_in, au_pr_out

注意，在计算AUPR out的时候，需要将OOD数据看作是正样本，也就是交换正负样本标签，同时将置信度数值的大小关系交换，也就是变为原来的相反数。

Max-Softmax检测效果

在文章中，作者给出了直接使用卷积神经网络来检测OOD的指标结果，内容如下：

可以看出，相对于真实数据集，高斯噪声以及均匀噪声是很容易被检测出来的，它们被模型赋予了很低的置信度，对应的，它们的AUROC以及AUPR指标都很高。总而言之，AUROC是综合反应模型检测效果的，AUPRin反应的是模型检测ID数据的能力，AUPRout反应的是模型检测OOD数据的能力，较高的指标寓意着性能更好的检测模型。

模型改进

在文章最后，作者提出了一种基于自编码器的网络结构，用于提升OOD检测的性能。作者在真实图像也就是ID数据的基础上，添加噪声，并把得到的新图像认为是OOD数据。

 上图中的蓝色部分在ID数据上训练，蓝色部分的下半部分结构是一个decoder，负责重构输入图像，上半部分是一个分类器，用于对输入进行分类。在训练完这一部分之后，冻结住权重，再训练红色部分。红色部分是一个二分类结构，输入有三个：第一阶段的重构误差，第一阶段的分类结果，第一阶段的隐空间特征向量。输出使用函数进行映射，0代表是OOD样本，1代表是ID样本。由于蓝色部分仅在ID数据上训练过，因此输入OOD数据时，会导致较大的重构误差以及具有区分度的隐空间特征，这是后续的红色模块能够顺利训练并区分ID与OOD的基础。

值得说明的一点是，这里作者使用的OOD数据是ID数据添加噪声得到的，并不是其他的OOD数据集，因此，这并没有违背OOD检测的基本设置。通过使用这种自编码器的两阶段结构，模型检测OOD的能力也得到了明显提升，效果如下：

 上图中的Softmax代表的就是直接使用卷积神经网络检测的效果，AbMod是作者提出的基于自编码器结构的两阶段模型检测效果。可以看出，模型的检测能力要远远好于Max-Softmax，AUPRin、AUPRout以及AUROC等指标均有了明显的提升，说明模型对ID样本的检测能力和对OOD样本的检测能力均有大幅提升。

---