【论文笔记】Out-of-Distribution Detection using Combination of Feature Uncertainty and Mahalanobis

这篇具有很好参考价值的文章主要介绍了【论文笔记】Out-of-Distribution Detection using Combination of Feature Uncertainty and Mahalanobis。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

论文:Fine-Grained Out-of-Distribution Detection of Medical Images using Combination of Feature Uncertainty and Mahalanobis Distance

参考:Fine-Grained Out-of-Distribution Detection of Medical Images using Combination of Feature Uncertainty and Mahalanobis Distance

一、摘要

自动医学图像分类方法经常面临属于训练期间未见过的疾病类别的分布外(OOD)测试样本,并错误地将这些样本预测为训练数据集中的类别之一,即分布 (ID)类,导致输出不可靠。因此,检测 OOD 样本对于模型的可靠预测至关重要。为了解决这个问题,我们提出了一种简单而有效的方法,通过逻辑回归将测试样本的多尺度特征的不确定性以及测试样本与训练类在特征空间中的分布之间的马哈拉诺比斯距离结合起来。我们在包含五种细粒度肺部状况的数据集上评估了我们的方法,并设计了三种 ID-OOD 分割。三个分割的平均实验结果表明,我们的方法在检测医学图像中的 OOD 样本方面优于现有方法。


二、设计的三种OOD划分

【论文笔记】Out-of-Distribution Detection using Combination of Feature Uncertainty and Mahalanobis,论文笔记,OOD检测,人工智能,论文笔记

第一种即不相关,第二种不同类型,本文主要使用第三种,即五种肺部疾病CT扫描的图像,具有相似性但不属于同一类。


三、模型架构

【论文笔记】Out-of-Distribution Detection using Combination of Feature Uncertainty and Mahalanobis,论文笔记,OOD检测,人工智能,论文笔记

模型结合测试数据特征的不确定性以及测试数据和训练数据的Mahalanobis距离来获得该测试数据的OOD分数,进而判断其是否是OOD。

多尺度特征不确定性估计(Multi-scale Feature Uncertainty Estimation)

原理:由于模型(分类器,etc)在ID数据集上已经well-trained,所以即使丢失(dropout)一些中间的神经元仍然能对ID数据进行准确的分类,但对于OOD数据,模型没有学习有效的特征,所以会出现不确定的输出。

之前的工作采用的是对最终输出层的分类概率预测的不确定性,本文提出了在特征层面进行的不确定性计算。

公式为:

这里的表示特征的不确定性, 和 是特征向量,K 是向量的数量,点积用于计算向量间的相似度,而 和 是向量的模长,用于归一化。公式通过所有特征向量的成对组合来计算总的不确定性。

多层马氏距离(Multi-layer Mahalanobis Distance)

只考虑不确定性对模型的训练方法和数据集的大小比较敏感,故添加一个马氏距离来观察测试数据与训练数据之间的距离,OOD数据与ID数据必然距离较远。

由于低级特征包含更详细的信息,例如边缘和纹理,而高级特征包含更多语义信息,因此在网络不同层的特征空间中测量MD对OOD检测可能有帮助。

计算公式为:

其中,

在这些公式中,计算测试样本 ( x ) 在层 ( l ) 的特征与训练集中每个类别 ( c ) 的特征均值 的马氏距离,并取这些距离中的最小值。是类别 ( c ) 中样本的特征均值,而是整个训练集在层 ( l ) 上的协方差矩阵。

OOD分数计算

使用验证集中的数据来训练一个逻辑斯蒂回归模型(原文表示如果验证集中没有OOD,就使用合成图像来进行训练,即可能会生成一些人工的、合成的图像来模拟OOD样本)

【论文笔记】Out-of-Distribution Detection using Combination of Feature Uncertainty and Mahalanobis,论文笔记,OOD检测,人工智能,论文笔记

和 是通过验证集数据调整的权重参数,它们分别针对不确定性分数和马氏距离分数 。是模型的偏差项。这个公式结合了不同层次的特征表示的不确定性和距离度量来预测一个样本是否是OOD。


四、实验结果

【论文笔记】Out-of-Distribution Detection using Combination of Feature Uncertainty and Mahalanobis,论文笔记,OOD检测,人工智能,论文笔记

采用使用SimCLR预训练的Resnet50,每个瓶颈层添加0.2的dropout,使用SGD优化器

评估标准:the true negative rate (TNR) at 95% true positive rate (TPR), the area under the receiver operating characteristic curve (AUROC), the detection accuracy (DTACC) and the area under the precision-recall curve (AUPRC).

【论文笔记】Out-of-Distribution Detection using Combination of Feature Uncertainty and Mahalanobis,论文笔记,OOD检测,人工智能,论文笔记

消融实验:使用单(s)/多(m)层MD和使用单/多层不确定性文章来源地址https://www.toymoban.com/news/detail-826300.html

到了这里,关于【论文笔记】Out-of-Distribution Detection using Combination of Feature Uncertainty and Mahalanobis的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【论文笔记】CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing

    CAT-Net:用于图像拼接检测和定位的压缩伪迹跟踪网络 发布于WACV2021 代码链接:https://github.com/mjkwon2021/CAT-Net 检测和定位图像拼接已经成为打击恶意伪造的重要手段。局部拼接区域的一个主要挑战是 区分真实和篡改的区域的固有属性,如压缩伪迹 。我们提出了CAT-Net,一个 包含

    2024年02月10日
    浏览(49)
  • 【论文笔记】An End-to-End Framework of Road User Detection, Tracking, and Prediction from Monocular Images

    原文链接:https://arxiv.org/abs/2308.05026 目前的轨迹预测方法多基于道路使用者的真实信息,但在实际自动驾驶系统中这些信息是通过检测和跟踪模块得到的,不可避免的存在噪声。本文将感知模块与轨迹预测整合,进行端到端的检测、跟踪和轨迹预测。 本文感知模块使用单目图

    2024年04月28日
    浏览(39)
  • 论文阅读 The Power of Tiling for Small Object Detection

    Abstract 基于深度神经网络的技术在目标检测和分类方面表现出色。但这些网络在适应移动平台时可能会降低准确性,因为图像分辨率的增加使问题变得更加困难。在低功耗移动设备上实现实时小物体检测一直是监控应用的基本问题之一。在本研究中,我们解决了在高分辨率微

    2024年02月11日
    浏览(45)
  • 论文阅读 - Social bot detection in the age of ChatGPT: Challenges and opportunities

    论文链接:https://www.researchgate.net/publication/371661341_Social_bot_detection_in_the_age_of_ChatGPT_Challenges_and_opportunities 目录 摘要: 引言 1.1. Background on social bots and their role in society 1.2. The rise of AI-generated chatbots like ChatGPT 1.3. The importance of social bot detection 1.4. Scope and objectives of the paper  2. T

    2024年02月14日
    浏览(51)
  • 论文阅读RangeDet: In Defense of Range View for LiDAR-based 3D Object Detection

    论文:https://arxiv.org/pdf/2103.10039.pdf 代码:https://github.com/tusen-ai/RangeDet 提出了一个名为RangeDet的新型3D物体检测技术,利用激光雷达数据。 RangeDet的核心在于使用了一种紧凑的表示方法,称为范围视图,与其他常用方法相比,它避免了计算误差。 根据论文中的讨论,使用范围视

    2024年04月13日
    浏览(53)
  • 3D Object Detection经典论文整理【分类/下载/代码/笔记】

    3D Object Detection经典论文整理 【分类/下载/代码/笔记】 W.P. Xiao, Visual group, SHUSV 版本 更新时间 更新内容 作者 1 V 1.0 2021.12 论文分类整理 W.P. Xiao 2 V 1.0.1 2022.1.7 更新code链接 Y.Q. Wu 目录   笔者分类整理了与三维目标检测有关的经典论文和部分最新论文的PDF下载链接、开源代码

    2023年04月27日
    浏览(41)
  • 论文阅读笔记—— Multi-attentional Deepfake Detection

    来源:CVPR 2021 作者:Hanqing Zhao1 Wenbo Zhou1,† Dongdong Chen2 Tianyi Wei1 Weiming Zhang1,† Nenghai Yu1 单位:University of Science and Technology of China1 Microsoft Cloud AI2 邮箱:{zhq2015@mail, welbeckz@, bestwty@mail, zhangwm@, ynh@}.ustc.edu.cn cddlyf@gmail.com 论文原地址:Multi-attentional Deepfake Detection DF大多二分类 人

    2024年02月22日
    浏览(55)
  • 【论文笔记】ObjectFormer for Image Manipulation Detection and Localization

    发布于CVPR2022 论文链接:https://openaccess.thecvf.com/content/CVPR2022/papers/Wang_ObjectFormer_for_Image_Manipulation_Detection_and_Localization_CVPR_2022_paper.pdf 在本文中,我们提出了ObjectFormer来检测和定位图像操作。 为了捕捉在RGB域中不再可见的细微操作轨迹,我们提取图像的高频特征,并将其与R

    2024年02月04日
    浏览(73)
  • 论文笔记 - :MonoLSS: Learnable Sample Selection For Monocular 3D Detection

    以前的工作以启发式的方式使用特征来学习 3D 属性,没有考虑到不适当的特征可能会产生不利影响。 本文引入了样本选择,即只训练合适的样本来回归 3D 属性。 为了自适应地选择样本,我们提出了 可学习样本选择(LSS)模块 ,该模块基于 Gumbel-Softmax 和相对距离样本划分器

    2024年04月15日
    浏览(40)
  • 论文笔记 - :DIGGING INTO OUTPUT REPRESENTATION FOR MONOCULAR 3D OBJECT DETECTION

    Title: 深入研究单目 3D 物体检测的 输出表示 单目 3D 对象检测旨在从单个图像中识别和定位 3D 空间中的对象。最近的研究取得了显着的进展,而所有这些研究都遵循基于 LiDAR 的 3D 检测中的典型输出表示。 然而,在本文中,我们认为现有的离散输出表示不适合单目 3D 检测。具

    2024年04月09日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包