Ood Detection

Out-of-Distribution (OOD) Detection bezieht sich auf die Aufgabe, Dateninstanzen zu identifizieren, die nicht zur Verteilung gehören, auf der der Klassifikator trainiert wurde. OOD-Daten werden oft als "unbekannte" Daten bezeichnet, da das Modell diese während des Trainings nicht gesehen hat. Das Ziel dieser Aufgabe besteht darin, ein Modell zu trainieren, um zwischen in-Verteilung (ID)-Daten, die das Modell während des Trainings gesehen hat, und out-of-Verteilung (OOD)-Daten, die es nicht begegnet ist, zu unterscheiden. Dies dient dazu, die Robustheit und die Generalisierungsfähigkeiten des Modells zu verbessern. Dies kann durch das Training eines unabhängigen OOD-Detektors oder durch die Modifikation der Modellarchitektur und der Verlustfunktion erreicht werden. Im Bereich der Computer Vision ist die OOD-Detektion besonders wertvoll, um Anomalien und unbekannte Objekte zu erkennen.