Obiettivi di addestramento a confronto per il rilevamento di campioni fuori distribuzione nella classificazione delle immagini
Un nuovo studio pubblicato su arXiv esamina vari obiettivi di addestramento per il rilevamento di campioni fuori distribuzione (OOD) nella classificazione delle immagini. I ricercatori hanno analizzato quattro diverse funzioni di perdita: Cross-Entropy Loss, Prototype Loss, Triplet Loss e Average Precision Loss, concentrandosi sulla loro efficacia nell'ambito dei protocolli OpenOOD. Utilizzando un modello ResNet-18, i ricercatori hanno scoperto che la Cross-Entropy Loss ha costantemente prodotto prestazioni superiori, in particolare nel distinguere campioni OOD vicini e lontani. Mentre la Prototype Loss e la Average Precision Loss hanno mostrato risultati competitivi in determinate condizioni, i risultati complessivi sottolineano il ruolo critico delle strategie di addestramento in applicazioni dove la sicurezza è fondamentale.
Fatti principali
- Quattro obiettivi di addestramento confrontati: Cross-Entropy Loss, Prototype Loss, Triplet Loss e Average Precision (AP) Loss.
- Valutazione condotta secondo i protocolli standardizzati OpenOOD.
- Architettura ResNet-18 utilizzata negli esperimenti.
- Cross-Entropy Loss, Prototype Loss e AP Loss raggiungono un'accuratezza in-distribution comparabile.
- La Cross-Entropy Loss fornisce l'AUROC complessivo più coerente per OOD vicini e lontani.
- Altri obiettivi possono essere competitivi in contesti specifici.
- Articolo disponibile su arXiv con ID 2603.07571.
- Lo studio affronta l'influenza degli obiettivi di addestramento sul rilevamento OOD, che è fondamentale per applicazioni sensibili alla sicurezza.
Entità
Istituzioni
- arXiv