Ausreißererkennung
Out-of-Distribution Detection bezieht sich auf die Identifizierung von anomalen Stichproben, die nicht zur Verteilung der Trainingsdaten gehören, in Computer Vision-Aufgaben. Dieses Verfahren zielt darauf ab, die Robustheit und Generalisierungsfähigkeit von Modellen zu verbessern, indem es diese Anomalien erkennt und filtert. Auf diese Weise werden Fehleinschätzungen bei unbekannten Daten vermieden, was die Sicherheit und Zuverlässigkeit des Systems erhöht. In praktischen Anwendungen ist diese Technologie entscheidend für die Leistungssteigerung in Bereichen wie autonomem Fahren und medizinischer Bildanalyse.
ImageNet-1k vs Textures
ViM (BiT-S-R101×1)
ImageNet-1k vs iNaturalist
NNGuide (RegNet)
ImageNet-1k vs Places
BATS (ResNet-50)
ImageNet-1k vs SUN
LINe (ResNet50)
ImageNet-1k vs Curated OODs (avg.)
ASH-S (ResNet-50)
CIFAR-10 vs CIFAR-100
Wide 40-2 + OECC
CIFAR-100 vs CIFAR-10
WRN 40-2 + OECC
CIFAR-10
ResNet 34 + OECC+GM
ImageNet-1k vs OpenImage-O
NNGuide (RegNet)
STL-10
Mixup (Gaussian)
CIFAR-100 vs SVHN
OECC + MD
ImageNet-1k vs NINCO
Forte
ADE-OoD
RbA
CIFAR-100
Wide ResNet 40x2
MS-1M vs. IJB-C
ResNeXt50 + FSSD
CIFAR-10 vs SVHN
ImageNet dogs vs ImageNet non-dogs
ResNet34 + FSSD
ImageNet-1K vs ImageNet-O
NNGuide-ViM (ViT-B/16)
20 Newsgroups
2-Layered GRU
CIFAR-10 vs LSUN (C)
CIFAR-10 vs iSUN
CIFAR-10 vs ImageNet (R)
CIFAR-10 vs ImageNet (C)
CIFAR-10 vs Uniform
CIFAR-10 vs Gaussian
CIFAR-10 vs LSUN (R)
CIFAR-100 vs iSUN
DenseNet-BC-100
CIFAR-100 vs LSUN (C)
CIFAR-100 vs LSUN (R)
DenseNet-BC-100
CIFAR-100 vs ImageNet (R)
DenseNet-BC-100
CIFAR-100 vs ImageNet (C)
CIFAR-100 vs Uniform
CIFAR-100 vs Gaussian
Far-OOD
ISH (ResNet50)
Fashion-MNIST
PAE
Near-OOD
SVHN vs ImageNet (R)
SVHN vs ImageNet (C)
SVHN vs Uniform
SVHN vs Gaussian
SVHN vs CIFAR-10
SVHN vs CIFAR-100
SVHN vs iSUN
SVHN vs LSUN (C)
SVHN vs LSUN (R)
CIFAR-10 vs CIFAR-10.1
ERD (ResNet18)
Wide ResNet 40x2
cifar10
cifar100
Wide Resnet 40x2
ImageNet-1K vs ImageNet-C
ImageNet-1K vs SSB-hard
SST