What Does Rotation Prediction Tell Us about Classifier Accuracy under Varying Testing Environments?

1. Motivation:

  和“Are Labels Always Necessary for Classifier Accuracy Evaluation?”这篇论文是同一个团队，不过是不同的角度预测未标注OOD数据的表现，之前那篇是利用的分布之间的差异，通过回归模型，将分布差异映射到表现差异。而这篇论文关注点在于通过OOD上旋转角度预测的准确率来推理OOD上的分类准确率。

2. Introduction：

  2.1.自监督学习：自监督的任务会从数据中生成真实的标签而不需要人为的标注，比如说通过对图像进行transformations增强生成图像的其他视图，但是标注没有变。但是一般自监督任务用于为下游任务学习有效的特征，这篇论文创新地探讨了自监督在预测OOD的表现的有效性。

  2.2. 方法和探索：

  作者做了一个多任务的学习，也就是同时学习了主要的分类任务和对图像旋转角度预测的任务，作者通过绘制旋转角度的预测准确度和分类的预测准确度的图像，发现它们之间存在很强的相关性，也就是说如果网络能够对于旋转角度预测的任务做得好，那么他很大概率也可以对分类准确率达到较好的表现。

  推理预测时候，论文对图像进行不同角度的旋转，网络去预测图像旋转的角度，然后通过得到的线性回归模型预测分类的表现。

3. Methodology：

  数据构建，旋转的角度选择有{0&#