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

最新推荐文章于 2025-12-19 17:18:15 发布

原创最新推荐文章于 2025-12-19 17:18:15 发布 · 639 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #OOD

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。

部署运行你感兴趣的模型镜像

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：

您可能感兴趣的与本文相关的镜像

ACE-Step

音乐合成

ACE-Step

ACE-Step是由中国团队阶跃星辰（StepFun）与ACE Studio联手打造的开源音乐生成模型。它拥有3.5B参数量，支持快速高质量生成、强可控性和易于拓展的特点。最厉害的是，它可以生成多种语言的歌曲，包括但不限于中文、英文、日文等19种语言

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

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