نویسندگان:
(1) مقاله نویسندگان ناشناس تحت بررسی دو سو کور ، Jarrod Haas ، Sarlab ، گروه علوم مهندسی دانشگاه سیمون فریزر ؛ گروه دیجیتالی کانادا و [email protected]؛
(2) ویلیام یولند ، متائوپیما و [email protected]؛
(3) برنارد رابوس ، ساراب ، گروه علوم مهندسی ، دانشگاه سیمون فریزر و [email protected]بشر
- چکیده و 1 مقدمه
- 2 پس زمینه
- 2.1 تعریف مشکل
- 2.2 کار مرتبط
- 2.3 عدم قطعیت عمودی عمیق
- 2.4 L2 عادی سازی فضای ویژگی و فروپاشی عصبی
- 3 روش
- 3.1 مدل ها و عملکردهای از دست دادن
- 3.2 اندازه گیری فروپاشی عصبی
- 4 آزمایش
- 4.1 نتایج OOD سریعتر و قوی تر
- 4.2 پیوند فروپاشی عصبی با تشخیص OOD
- 5 نتیجه گیری و کار آینده و منابع
- یک ضمیمه
- A.1 جزئیات آموزش
- A.2 تأثیر عادی سازی L2 در نمرات SoftMax برای تشخیص OOD
- A.3 GMM متناسب با فضای ورود به سیستم
- A.4 بیش از حد با عادی سازی L2
- A.5 اندازه گیری فروپاشی عصبی برای مداخله از دست دادن NC
- A.6 ارقام اضافی
4 آزمایش
4.1 نتایج OOD سریعتر و قوی تر
نتایج ما در جدول 1 نشان می دهد که عادی سازی L2 در فضای ویژگی ، نتایج حاصل از رقابتی یا بیش از نتایج به دست آمده با استفاده از معیار DDU را تولید می کند و در زمان آموزش کمتری برای Resnet18 و … به دست می آید.