论文阅读笔记 《MOS: Towards Scaling Out-of-distribution Detection for Large Semantic Space》

该博客探讨了简化决策边界的方法,通过taxonomy、feature clustering和random grouping将类别整合成大组,并在每个大组中添加'others'类别。通过计算Minimum Others Score (MOS)并设定阈值,可以有效识别分布内的样本和异常分布外的样本(OOD)。实验结果显示这种方法在区分分布内外样本方面表现出色。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


原文来源

         

 

 将几个类别组成一个新的组,这样可以简化决策边界。划分方法有taxonomy(如使用ImageNet划分好的八个大类), feature clustering(K-Means), and  random grouping 这三种。

        分完大组后,为每个大组增加一个others的类别。如果是一个分布内的test1,那么它必属于某个组G中的其中一个小类c,因此它在组G中的others分会很低,类c的分会很高,但它在其他的组的others得分一定会很高,所以它的MOS(Minimum Others Score)得分会较低,低于预设的threshold(paper设置的95%)则被视为分布内样本。那么对于一个非分布内的test2,由于它不属于任何一个类别,所以它在任意组的others得分都较高,以致于它最终的MOS得分会很高(高于预设的threshold),所以可以判断它属于OOD。

实验结果:

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值