Background Matters: Enhancing Out-of-distribution Detection with Domain Features

要約

分布外 (OOD) 入力の検出は、オープン ワールド シナリオでディープ ニューラル ネットワーク分類子を展開する際の安全性を確保するための主要なタスクです。
OOD サンプルは、任意の分布から引き出すことができ、フォアグラウンド セマンティック機能 (例: 車両画像と果物の分類における ID サンプル) やバックグラウンド ドメイン機能 (例: テクスチャ画像) など、さまざまな次元で分布内 (ID) データからの偏差を示すことができます。
対オブジェクト認識における ID サンプル)。
既存の方法は、セマンティック機能に基づいて OOD サンプルを検出することに重点を置いていますが、ドメイン機能などの他の次元は無視しています。
この論文では、OOD 検出におけるドメイン機能の重要性を検討し、それらを活用してセマンティック機能ベースの OOD 検出方法を強化することを提案します。
この目的のために、高密度予測アプローチによってIDトレーニングサンプルからドメイン機能を学習できる新しい汎用フレームワークを提案します。これにより、異なる既存のセマンティック機能ベースのOOD検出方法をシームレスに組み合わせて、分布内を共同で学習できます。
セマンティック次元とドメイン次元の両方からの機能。
広範な実験により、私たちのアプローチは、1) 多様なドメイン機能を持つ複数の広く使用されている OOD データセットに対する 4 つの異なる最先端 (SotA) OOD 検出方法のパフォーマンスを大幅に向上させることができ、2) これらで新しい SotA パフォーマンスを達成できることが示されています。
ベンチマーク。

要約(オリジナル)

Detecting out-of-distribution (OOD) inputs is a principal task for ensuring the safety of deploying deep-neural-network classifiers in open-world scenarios. OOD samples can be drawn from arbitrary distributions and exhibit deviations from in-distribution (ID) data in various dimensions, such as foreground semantic features (e.g., vehicle images vs. ID samples in fruit classification) and background domain features (e.g., textural images vs. ID samples in object recognition). Existing methods focus on detecting OOD samples based on the semantic features, while neglecting the other dimensions such as the domain features. This paper considers the importance of the domain features in OOD detection and proposes to leverage them to enhance the semantic-feature-based OOD detection methods. To this end, we propose a novel generic framework that can learn the domain features from the ID training samples by a dense prediction approach, with which different existing semantic-feature-based OOD detection methods can be seamlessly combined to jointly learn the in-distribution features from both the semantic and domain dimensions. Extensive experiments show that our approach 1) can substantially enhance the performance of four different state-of-the-art (SotA) OOD detection methods on multiple widely-used OOD datasets with diverse domain features, and 2) achieves new SotA performance on these benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google