我们已经将Stanford Cars添加到Semantic Shift Benchmark中。我们还提供了ImageNet拆分,以与Winter’21 ImageNets版本兼容。 如果可用,我们将“中等”和“硬”SSB拆分合并为单个“硬”拆分。
表1中的改进结果。 强大的基线现在在六个开放集数据集中的四个上击败了SoTA! 请参见 这个问题 (谢谢@agaldran!)。
我们在附录F中添加了OoD(分布外检测)基准测试的结果。 我们发现,在标准基准套件上,强大的基线与SoTA OoD方法具有竞争力。
我们注意到,我们认为只在ImageNet-1K上训练的ViT模型实际上是在ImageNet-21K上预先训练的。 这可能解释了图3a中的异常结果。 我们从 在这里 。回购将模型列为“在Imagenet-1K上进行预处理”,但对论文的检查表明,这意味着在Imagenet-21K上微调之前,需要在Imagenet-1K上进行预先处理。
包括TinyImageNet上MLS基线的预训练权重 预处理重量 . 包括 bash_scripts/osr_train.sh 使用本文中调优的超参数对给定数据集的所有分割进行模型训练。
pip安装-r要求.txt
bash bash_scripts/osr_train.sh
utils/logfile_parser.py :直接解析 标准输出 准确性/AUROC指标输出 数据/open_set_datasets.py :一个有用的框架,可以轻松地将现有数据集拆分为可控的开放集拆分 进入之内 火车 , val值 , 测试已知 和 测试未知 。注意:ImageNet尚未在此处集成。 实用程序/调度程序.py :将余弦热重启与线性爬升作为PyTorch学习速率调度器的实现
@会议记录{vaze2022打开, title={开放集识别:一个好的封闭集分类器就是你所需要的吗?}, author={Sagar Vaze和Kai Han以及Andrea Vedaldi和Andrew Zisserman}, booktitle={学习代表国际会议}, 年份={2022}}