A detecção fora da distribuição (OOD) é crucial ao implantar redes neurais profundas no mundo real para garantir a confiabilidade e segurança de suas aplicações. Um dos principais desafios na detecção OOD é que os modelos de redes neurais frequentemente produzem previsões excessivamente confiantes em dados OOD. Embora alguns métodos que utilizam conjuntos de dados OOD auxiliares ou que geram imagens OOD falsas tenham mostrado um desempenho promissor na detecção OOD, eles são limitados pelos altos custos de coleta de dados e treinamento. Neste estudo, propomos um método de detecção OOD novo e eficaz que utiliza características de fundo locais como características OOD falsas para o treinamento do modelo. Inspirados pela observação de que imagens OOD geralmente compartilham regiões de fundo semelhantes com imagens ID, as características de fundo são extraídas de imagens ID como representações visuais OOD simuladas durante o treinamento, com base na invariância local da convolução. Ao serem otimizadas para reduzir a norma L₂ dessas características de fundo, as redes neurais conseguem aliviar o problema da excessiva confiança em dados OOD. Experimentos extensivos em múltiplos benchmarks padrão de detecção OOD confirmam a eficácia do nosso método e sua ampla compatibilidade combinatória com métodos pós-hoc existentes, com um novo desempenho de ponta alcançado pelo nosso método.
Ye et al. (Ter,) estudaram essa questão.