开启左侧

基于深度模型Out of Distribution(OOD)基础技术路线研究

[复制链接]
Seaee 发表于 2022-6-29 11:33:45 | 显示全部楼层 |阅读模式
在工业检测领域,将训练好的模型部署到实际场景时,常会碰到一个问题:如果输入的图片是一个新的类别,模型之前根本没见过,那么,无论模型的预测结果是什么,都必会是错误的。

这种情况下,有两种选择:一种是将新出现的类别加入训练集,从新训练一个模型;另一种便是我们将要介绍的Out of Distribution(OOD)检测方法。


定义:在分类任务中,给定测试图片
,若模型在训练阶段模型见过或类似的图片,则能正确分类;但如果与训练集完全不相关,也会被强制判定为训练集类别中的一种,这种情况是不合理的。OOD算法希望能判断的分布状况是否与训练集一致,若一致,则称为in-distribution(ID),否则称为out-of-distribution(OOD)。

例如:在MNIST上训练的一个分类模型,然后,输入一张“马”的图片,会被归类为数字0~9,这是错误的。此时,MNIST数据集就是in-distribution,相对于ID而言,“马”是out-of-distribution。


图一.jpg

训练集为MNIST数据集,属于in-distribution,而“马”的图片则处于分布之外

本文将为大家介绍五种OOD检测方法

文章来源:阿丘科技 如需转载请注明来源。

百度网盘链接:https://pan.baidu.com/s/1S0_vXeQPFTU5pRI5YV7UXQ
提取码:h0eu














您需要登录后才可以回帖 登录 | 注册

本版积分规则

快速回复 返回顶部 返回列表