Exploring Channel-Aware Typical Features for Out-of-Distribution Detection

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。

怎么样调整这个比例呢？

    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通道感知的典型集合，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。从而借助通道特性来提高OOD检测的性能。

    流程：

    1、确认典型特征。在深特征中存在高概率区域和低概率区域，落在高概率区域的特征为典型特征，对应的区域称为特征的典型集。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。因此高概率区间被认为是典型特征，其他的被称为异常特征，然后将异常特征校正到特征的高概率区间：

2、估计可感知的典型集。每个通道的固定比例ri是不合理的，并且发现ri与λi有关，因此，从均值和标准差的全局典型集校准通道级典型集来估计通道感知的超参数λi。

均值：

标准差

更新为新的

3、利用典型特征进行OOD检测。基于通道感知的典型特征进行计算能量分数。