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

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。

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