- 博客(6)
- 收藏
- 关注
原创 Exploring Channel-Aware Typical Features for Out-of-Distribution Detection
相反,落在低概率区域的特征定义为异常特征,极高的特征会导致对OOD数据预测的过度自信,极低的特征会导致预测ID数据的信心不足。现有的基于典型特征的OOD检测方法隐含着一个假设:每个通道的典型特征集的比例是固定的,但是每个通道对OOD检测的贡献不同,所有通道采用固定比例会使得OOD检测性能降低。探索通道感知的典型特征对于更好的分离ID和OOD数据至关重要,首先,从平均值和标准差的全局典型集合校准通道级典型集合来获得。,从而获得通道感知典型特征,最后,利用通道感知的典型特征来计算OOD检测的能量分数。
2024-06-06 10:02:10 246
原创 Generalized Out-of-Distribution Detection: A Survey
注意这种方式与信心校准不同,它采用了更温和的T,而校准更关注表达ID样本真实的正确概率,ODIN的评分最大化了ID和OOD样本之间的差异,可能从预测信心的角度看不再有意义。与众不同的是,它产生具有指定置信水平的预测区间,超越了单纯点估计的局限性。在OOD检测的场景中,适形预测框架变得特别有见地:由适形预测方法生成的更宽的预测区间或更低的置信水平可以作为OOD数据的指标。在多类别设定下,典型的OOD检测是开集识别问题(第4节),在类别空间Y中精确分类分布内的测试样本,并且丢弃语义不被Y所支持的分布外样本。
2024-06-04 19:43:15 859
Swin-Unet网络预训练模型,swin-tiny-patch-window7-224.pth
2024-04-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人