开放域OOD主要数据集、评价指标汇总

置顶墨理学AI

已于 2023-09-27 16:54:36 修改

阅读量3.4k

点赞数 4

分类专栏：数据集整理文章标签：开放域检测 ood检测图像分类目标检测

于 2022-07-27 21:13:08 首次发布

本文链接：https://blog.csdn.net/sinat_28442665/article/details/125743268

版权

数据集整理专栏收录该内容

33 篇文章

订阅专栏

本文探讨了OOD（Out-of-Distribution）数据集在深度学习中的应用，使用CIFAR-10和CIFAR-100作为分布内训练数据，而OOD测试数据集包括Textures、SVHN等六个不同来源的集合。通过评估错误率、AUC和AUPR等指标来衡量OOD检测性能，并介绍了BDD100K、YouTube_vis、PASCALVOC等多个相关数据集。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

🥇 版权: 本文由【墨理学AI】原创首发、各位读者大大、敬请查阅、感谢三连
🎉 声明: 作为全网 AI 领域干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

0-9

文章目录

OOD 数据集

in-distribution data (分布内训练数据集)

We use CIFAR-10 and CIFAR-100 [ Krizhevsky et al., 2009 ] datasets as in-distribution data. （IND）
Berkeley DeepDrive-100k
Youtube_vis
PASCAL VOC

OOD test dataset （分布外测试数据集）

We use the standard split, and train with WideResNet architecture [Zagoruyko and Komodakis, 2016] with depth 40. 

For the OOD test dataset, we use the following six datasets: 

Textures [Cimpoi et al., 2014], 

SVHN [Netzer et al., 2011],

Places365 [Zhou et al., 2017],

LSUN-Crop [Yu et al., 2015],

LSUN-Resize [Yu et al., 2015], 

iSUN [Xu et al., 2015].

实验对比示例

0-88

ood 评价指标 : Evaluation metrics.

Evaluation metrics. We evaluate the performance of OOD detection by measuring the following metrics:

(1) the false positive rate (FPR95) of OOD examples when the true positive rate of in-distribution examples is 95%;
(2) the area under the receiver operating characteristic curve (AUROC);
(3) the area under the precision-call curve (AUPR).

0-100