Out of Distribution

# Out of Distribution

## Softmax-based

### SMOOD

* 相比于错误分类的样本和 OOD 样本，分类正确的样本会得到更大的 maximum softmax 概率
* 通过统计模型预测样本的softmax概率便可以有效的检测出 OOD 样本
* 指定了标准的 OOD Detection 任务和对于的评估度量标准
* 评估神经网络输入的重构样本的质量来判断一个样本是否是异常的，进一步提高了baseline
* ![title](https://leanote.com/api/file/getImage?fileId=5fc9a391ab64416b311481d9)

### ODIN

* 使用 Temperature Scaling 和 Input Processing 来提升模型 OOD detection 能力。
* input processing
* ![title](https://leanote.com/api/file/getImage?fileId=5fc9a3d5ab64416b31148827)
* ![title](https://leanote.com/api/file/getImage?fileId=5fc9a41fab64416b31148ef2)

## Uncertainty-based

### Learning Confidence for OOD Detection

* 网络新增一个分支来预测置信度。
* ![title](https://leanote.com/api/file/getImage?fileId=5fc9a486ab64416d321497d1)
* ![title](https://leanote.com/api/file/getImage?fileId=5fc9a4a8ab64416d32149b0c)
* ![title](https://leanote.com/api/file/getImage?fileId=5fc9a4afab64416d32149bc9)

### Multiple Semantic Label Representations

* 本文注重点不在于 OOD。
* 根据提取特征的 L2 区分 OOD。

## Generative-model-based

### Improving reconstruction autoencoder out-of-distribution detection with mahalanobis distance (2019)

* ![title](https://leanote.com/api/file/getImage?fileId=5fc9a569ab64416d3214acff)
* OOD 用 VAE 数据重构后与原有差距比较大。
* 这样方法有个问题就是 VAE 可能太强了。

## Classifier-based

### OOD discernment layer (2019)

* ![title](https://leanote.com/api/file/getImage?fileId=5fc9a649ab64416d3214c205)
* 选取一个特定中间层而非最后层做OOD区分。

wuvin

导航

最近发表

友情链接