स्थानिक पृष्ठभूमि विशेषताएँ आउट-ऑफ-डिस्ट्रिब्यूशन पहचान में महत्वपूर्ण हैं

आउट-ऑफ-डिस्ट्रिब्यूशन (OOD) पहचान उस समय महत्वपूर्ण होती है जब वास्तविक दुनिया में गहरे नर्व नेटवर्क को तैनात किया जाता है ताकि उनके अनुप्रयोगों की विश्वसनीयता और सुरक्षा सुनिश्चित की जा सके। OOD पहचान में एक प्रमुख चुनौती यह है कि नर्व नेटवर्क मॉडल अक्सर OOD डेटा पर अत्यधिक आत्मविश्वासी भविष्यवाणियाँ करते हैं। जबकि कुछ विधियाँ सहायक OOD डेटासेट्स का उपयोग करके या नकली OOD छवियाँ उत्पन्न करके OOD पहचान प्रदर्शन में आशाजनक परिणाम दिखा चुकी हैं, वे डेटा संग्रहण और प्रशिक्षण की उच्च लागतों द्वारा सीमित हैं। इस अध्ययन में, हम एक नवीन और प्रभावी OOD पहचान विधि प्रस्तुत करते हैं जो मॉडल प्रशिक्षण के लिए नकली OOD विशेषताओं के रूप में स्थानीय पृष्ठभूमि विशेषताओं का उपयोग करती है। यह देखते हुए कि OOD छवियाँ आमतौर पर ID छवियों के साथ समान पृष्ठभूमि क्षेत्रों को साझा करती हैं, पृष्ठभूमि विशेषताओं को ID छवियों से, प्रशिक्षण के दौरान सिम्युलेटेड OOD दृश्य प्रतिनिधित्व के रूप में निकाला जाता है, जो समरूपता के स्थानीय अव्यवस्था पर आधारित होता है। इन पृष्ठभूमि विशेषताओं के L₂-नॉर्म को कम करने के लिए अनुकूलित होने के माध्यम से, नर्व नेटवर्क OOD डेटा पर अत्यधिक आत्मविश्वास की समस्या को कम करने में सक्षम हैं। कई मानक OOD पहचान मानकों पर व्यापक प्रयोग हमारी विधि की प्रभावशीलता और मौजूदा पोस्ट-हॉक विधियों के साथ इसके व्यापक संयोजनशीलता की पुष्टि करते हैं, जिसमें हमारी विधि से नया राज्य-के-कलात्मक प्रदर्शन प्राप्त हुआ है।