분류 정확도와 거부 능력
분류기가 알려진 클래스에서 높은 정확도를 보일수록 어느 클래스에도 속하지 않는다는 판단도 잘하는 경향을 조사했다. 서로 다른 손실과 구조 및 표준 벤치마크와 대규모 ImageNet 평가에서 관계를 살폈다.
강화한 최대 로짓 기준선
폐쇄 집합 정확도를 높여 최대 로짓 점수의 개방 집합 인식 성능을 개선했다. 기존 방법의 폐쇄 집합 정확도도 함께 높여 비교했을 때 강한 기준선과의 차이가 작아지는 결과를 제시했다.
의미적 신규성의 평가
새로운 의미 클래스를 탐지하는 목적을 더 잘 반영하는 Semantic Shift Benchmark를 제안했다. 다른 형태의 분포 이동과 의미적 신규성을 구분하는 평가에서도 강한 기준선과 기존 방법의 차이를 조사했다.
관련 문서
개방 집합 인식 / OpenMax / OpenOOD / 최대 소프트맥스 확률 탐지 / 분포 이동 / ImageNet