【技术实现步骤摘要】
所属的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。本专利技术的有益效果：1、所提出的方法不依赖访问训练数据来实现有竞争力的性能，这使得该算法非常适合需要数据隐私保护的分布外检测场景。2、本方法与需要大量训练数据来学习分布外检测器的方法相比，此算法学习的子空间避免了昂贵的计算成本并且收敛速度更快，有效的提升分布外检测的鲁棒性和检测效果。3、本方法只需要轻量级访问模型的线性分类层，允许快速更新分布外检测器，而无需在随后更新模型或添加新类别时重新访问训练数据库。
技术介绍
1、传统的机器学习方法基于封闭世界假设，即测试数据来自训练集的同一分布。然而，在开放世界中部署深度神经网络时，训练数据分布和测试数据分布之间的差异通常会导致模型过度自信，从而导致部署深度神经网络时出现重大缺陷。这个问题在自动驾驶和医学图像分析等安全关键领域尤为重要。这种过度自信的问题主要源于模型在遇到不属于任何训练类别的分布外数据时，仍然做出不可置信的预测。具备卓越的分...
【技术保护点】
1.一种基于分类器的特征重建的分布外检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于分类器的特征重建的分布外检测方法，其特征在于，深度判别模型由卷积层、激活层、池化层和全连接层组成，通过多层次特征提取和非线性映射，提取样本的高级语义特征来构建特征空间，选择获取倒数第二层的输出作为样本特征，即去除全连接层的模型的输出，深度判别模型的通过其多层结构对图像或其他类型的输入数据进行特征提取和分类。
3.根据权利要求1所述的基于分类器的特征重建的分布外检测方法，其特征在于，数据增强方法包括缩放、剪裁。
4.根据权利要求1所述...
【技术特征摘要】
1.一种基于分类器的特征重建的分布外检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于分类器的特征重建的分布外检测方法，其特征在于，深度判别模型由卷积层、激活层、池化层和全连接层组成，通过多层次特征提取和非线性映射，提取样本的高级语义特征来构建特征空间，选择获取倒数第二层的输出作为样本特征，即去除全连接层的模型的输出，深度判别模型的通过其多层结构对图像或其他类型的输入数据进行特征提取和分类。
3.根据权利要求1所述的基于分类器的特征重建的分布外检测方法，其特征在于，数据增强方法包括缩放、剪裁。
4.根据权利要求1所述的基于分类器的特征重建的分布外检测方法，其特征在于，步骤s3中，权重矩阵的奇异值分解具体包括以下步骤：
5.根据权利要求1所述的基于分类器的特征重建的分布外检测方法，其特征在于，步骤s5中，基于投影向量的谱范数的置信度得分具体为：
6.根据权利要求1所述的基于分类器的特征重建的分布外检测方法，其特征在于，...
【专利技术属性】
技术研发人员：梁坚，王赢胜，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。