BatchOOD:基于能量的批处理式多标记分布外检测

TP391; 分布外(Out-of-Distribution,OOD)检测对于深度模型在开放环境中安全可靠地应用至关重要.现有方法通常利用深度网络提取分布内(In-Distribution,ID)表征,却忽略了对小批量样本间关系的学习,并且缺乏针对更符合现实设置的多标记OOD检测的研究.基于此,文章提出一种在批处理级上检测OOD样本的深度模型BatchOOD.首先,利用主干网络提取单个样本的初始特征;随后,引入BatchFormer模块从批量维度上探索样本间的依赖关系;最后,应用基于能量的多标记OOD检测器判别ID样本和OOD样本.在MS-COCO,PASCAL-VOC和NUS-WIDE 3个...

Full description

Saved in:
Bibliographic Details
Published in常州大学学报（自然科学版） Vol. 37; no. 1; pp. 37 - 47
Main Authors 程一飞, 彭欣, 程玉胜, 陈启东
Format Journal Article
LanguageChinese
Published 安庆师范大学计算机与信息学院,安徽安庆 246011 2025
安徽省高校智能感知与计算重点实验室(安庆师范大学),安徽安庆 246011%安庆师范大学计算机与信息学院,安徽安庆 246011
Subjects
样本关系
energy function
out-of-distribution detection
能量函数
多标记学习
BatchFormer
分布外检测
sample relationships
multi-label learning
Online AccessGet full text

Cover

More Information
Summary:TP391; 分布外(Out-of-Distribution,OOD)检测对于深度模型在开放环境中安全可靠地应用至关重要.现有方法通常利用深度网络提取分布内(In-Distribution,ID)表征,却忽略了对小批量样本间关系的学习,并且缺乏针对更符合现实设置的多标记OOD检测的研究.基于此,文章提出一种在批处理级上检测OOD样本的深度模型BatchOOD.首先,利用主干网络提取单个样本的初始特征;随后,引入BatchFormer模块从批量维度上探索样本间的依赖关系;最后,应用基于能量的多标记OOD检测器判别ID样本和OOD样本.在MS-COCO,PASCAL-VOC和NUS-WIDE 3个多标记数据集上的实验结果表明建模小批量间样本依赖关系更有利于模型学习到精确的ID表征,从而提高ID-OOD可分离性.与JointEnergy方法相比,文章所提出的模型在FPR95指标上分别实现了 6.42％,5.72％和6.57％的性能提升.
ISSN:2095-0411
DOI:10.3969/j.issn.2095-0411.2025.01.005