Out Of Distribution Detection
اكتشاف البيانات خارج التوزيع يشير إلى تحديد العينات الشاذة التي لا تنتمي إلى توزيع بيانات التدريب في مهام الرؤية الحاسوبية. يهدف هذا المهمة إلى تعزيز متانة وقدرة النماذج على التعميم، مما يساعد في تجنب الأحكام الخاطئة على البيانات غير المعروفة من خلال اكتشاف وتصفية هذه الشواذ، وبالتالي تحسين سلامة وموثوقية النظام. في التطبيقات العملية، تعتبر هذه التقنية حاسمة لتحسين أداء النظام في مجالات مثل القيادة الذاتية وتحليل الصور الطبية.
20 Newsgroups
2-Layered GRU
ADE-OoD
RbA
CIFAR-10
Wide ResNet 40x2
CIFAR-10 vs CIFAR-10.1
ERD (ResNet18)
CIFAR-10 vs CIFAR-100
Wide 40-2 + OECC
CIFAR-10 vs Gaussian
CIFAR-10 vs ImageNet (C)
CIFAR-10 vs ImageNet (R)
CIFAR-10 vs iSUN
CIFAR-10 vs LSUN (C)
CIFAR-10 vs LSUN (R)
CIFAR-10 vs SVHN
CIFAR-10 vs Uniform
CIFAR-100
Wide ResNet 40x2
CIFAR-100 vs CIFAR-10
WRN 40-2 + OECC
CIFAR-100 vs Gaussian
CIFAR-100 vs ImageNet (C)
CIFAR-100 vs ImageNet (R)
DenseNet-BC-100
CIFAR-100 vs iSUN
DenseNet-BC-100
CIFAR-100 vs LSUN (C)
CIFAR-100 vs LSUN (R)
DenseNet-BC-100
CIFAR-100 vs SVHN
OECC + MD
CIFAR-100 vs Uniform
cifar10
cifar100
Wide Resnet 40x2
Far-OOD
ISH (ResNet50)
Fashion-MNIST
PAE
ImageNet-1k vs Curated OODs (avg.)
NNGuide (RegNet)
ImageNet-1K vs ImageNet-C
ImageNet-1K vs ImageNet-O
NNGuide-ViM (ViT-B/16)
ImageNet-1k vs iNaturalist
NNGuide (RegNet)
ImageNet-1k vs NINCO
Forte
ImageNet-1k vs Places
BATS (ResNet-50)
ImageNet-1K vs SSB-hard
ImageNet-1k vs SUN
LINe (ResNet50)
ImageNet-1k vs Textures
ViM (BiT-S-R101×1)
ImageNet dogs vs ImageNet non-dogs
ResNet34 + FSSD
ImageNet-1k vs OpenImage-O
NNGuide (RegNet)
MS-1M vs. IJB-C
ResNeXt50 + FSSD
Near-OOD
SST
STL-10
Mixup (Gaussian)
SVHN vs CIFAR-10
SVHN vs CIFAR-100
SVHN vs Gaussian
SVHN vs ImageNet (C)
SVHN vs ImageNet (R)
SVHN vs iSUN
SVHN vs LSUN (C)
SVHN vs LSUN (R)
SVHN vs Uniform
Wide ResNet 40x2