布灵布灵

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。

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。

【代码】终端快速进入D盘的两种方法。

TransUnet复现，详细教程

ui文件转py文件。

直接安装会比较慢，可以选择使用国内安装源。