买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨理工大学

摘要：一种基于特征重构的图像OOD检测方法研究，属于深度学习图像应用领域。由于传统深度学习任务通常假设训练样本和测试样本具有独立同分布的属性，即随机变量中每个变量的概率分布都相同，且这些随机变量互相独立，训练模型用于预测测试集样本，当训练集和测试集的独立同分布不成立时，检测模型精确度急剧下降，甚至对错误的预测结果给出高置信度。针对此问题，本研究方法包括对图像类公共数据集进行预处理，通过分离特征提取语义特征和非语义特征，结合特种重构方法，解决数据集协变量偏移的负面效果和检测方法问题，相较于分类、密度、距离等方法都有较好的性能提升。该方法解决了现有方法无法充分利用特征信息的问题，提高了图像OOD检测的性能。

主权项：1.基于特征重构的图像OOD检测方法研究，其特征包括以下步骤：步骤1：对图像数据集搜集，包括数字数据集MNIST、USPS、notminst，对象数据集CIFAR-10、CIFAR-100、CIFAR-10-C，其中MNIST、CIFAR-10作为任务的训练集，其余数据集作为预测测试数据集，对训练集进行一些特征的变换以创建新的图像版本，从而丰富用于预测的分布外数据集。步骤2：对预处理后的训练集使用特征分离方法，使用两个子网络分别提取语义特征和非语义特征，即利用CNN学习低级特征统计捕获语义特征x，针对非语义特征使用深度学习模型ResNet-50捕获非语义特征y，通过标准化去除冗余信息，获取有效的特征信息。步骤3：构建自编码器，将步骤2中提取到的特征信息进行重构，获得重构后的语义特征x'和非语义特征y'，分别计算重构误差，将两个重构误差进行加权，训练自编码器，其训练目标函数定义如下： 其中L表示加权重构误差，α和β表示加权系数且α+β＝1，用于平衡语义特征和非语义特征误差的权重，通过最小化加权重构误差，训练自编码器，以有效地重构语义特征和非语义特征。步骤4：使用测试数据集通过特征提取的两个子网络，分别提取语义特征和非语义特征信息，通过训练好的自编码器计算加权重构误差，并判断是否大于预设的阈值，以进行图像的OOD检测，生成预测结果。步骤5：根据预测结果，使用AUROC评估模型的性能。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 基于特征重构的图像OOD检测方法研究