Jingkang50/OpenOOD
این پروژه یک بستر استاندارد برای ارزیابی و مقایسه روش‌های تشخیص داده‌های خارج از توزیع (Out-of-Distribution) در یادگیری ماشین است.
کاربرد:
این ابزار به محققان کمک می‌کنه تا عملکرد مدل‌های یادگیری عمیق رو در شناسایی نمونه‌هایی که در داده‌های آموزشی وجود نداشته‌اند، به صورت دقیق و عادلانه ارزیابی کنند.
در چه شرایطی بهتره استفاده شود؟
وقتی که نیاز دارید مدل‌های تشخیص OOD رو در شرایط واقعی و چالش‌برانگیز تست کنید، مثل تشخیص تصاویر ناشناخته در سیستم‌های تشخیص چهره یا خودروهای خودران.
چند مثال از موارد استفاده:
- تشخیص تصاویر ناشناخته در داده‌های تصویری مانند CIFAR-10 یا ImageNet
- ارزیابی مدل‌های تشخیص بیماری در پزشکی که با داده‌های جدید مواجه می‌شوند
- بهبود ایمنی سیستم‌های هوش مصنوعی با شناسایی ورودی‌های غیرعادی
- ##OOD
- ##Machine
- ##Deep
- ##Anomaly
- ##AI
- ##OpenOOD
- ##Generalization
- ##Uncertainty
- ##Robust
- ##Research