detectors/lsun_c-ood

LSUN (c)数据集是一个用于图像分类的离群检测（Out-of-Distribution Detection）的数据集。该数据集未包含注释信息，主要用于图像分类基准测试中的离群检测。数据集的创建动机是为了加速研究和促进离群检测的可重复性。

The LSUN (c) dataset is an out-of-distribution detection dataset for image classification. It contains no annotation information and is mainly used for out-of-distribution detection in image classification benchmark tests. The motivation for creating this dataset is to accelerate research and facilitate the reproducibility of out-of-distribution detection studies.

原始信息汇总

数据集卡片 for LSUN (c) for OOD Detection

数据集详情

数据集描述

• 原始数据集作者: Limin Wang, Sheng Guo, Weilin Huang, Yuanjun Xiong, Yu Qiao
• OOD 分割作者: Shiyu Liang, Yixuan Li, R. Srikant
• 共享者: Eduardo Dadalto
• 许可证: unknown

数据集来源

• 原始数据集论文: http://arxiv.org/abs/1610.01119v2
• 首次OOD应用论文: http://arxiv.org/abs/1706.02690v5

直接使用

该数据集旨在用作图像分类基准的分布外数据集。

超出范围的使用

该数据集未标注。

数据集创建动机

创建和共享此数据集的目标是加速研究并促进广义分布外检测的可重复性。

个人和敏感信息

请查阅原始论文以获取有关数据集的详细信息。

偏差、风险和限制

请查阅原始论文以获取有关数据集的详细信息。

引用

BibTeX:

bibtex @software{detectors2023, author = {Eduardo Dadalto}, title = {Detectors: a Python Library for Generalized Out-Of-Distribution Detection}, url = {https://github.com/edadaltocg/detectors}, doi = {https://doi.org/10.5281/zenodo.7883596}, month = {5}, year = {2023} }

@article{1706.02690v5, author = {Shiyu Liang and Yixuan Li and R. Srikant}, title = {Enhancing The Reliability of Out-of-distribution Image Detection in Neural Networks}, year = {2017}, month = {6}, note = {ICLR 2018}, archiveprefix = {arXiv}, url = {http://arxiv.org/abs/1706.02690v5} }

@article{1610.01119v2, author = {Limin Wang and Sheng Guo and Weilin Huang and Yuanjun Xiong and Yu Qiao}, title = {Knowledge Guided Disambiguation for Large-Scale Scene Classification with Multi-Resolution CNNs}, year = {2016}, month = {10}, note = {To appear in IEEE Transactions on Image Processing. Code and models are available at https://github.com/wanglimin/MRCNN-Scene-Recognition}, archiveprefix = {arXiv}, url = {http://arxiv.org/abs/1610.01119v2} }

数据集卡片作者

Eduardo Dadalto

数据集卡片联系

https://huggingface.co/edadaltocg

搜集汇总

数据集介绍

构建方式

LSUN (c) 数据集源自大规模场景分类研究，其原始版本由Wang等人通过多分辨率卷积神经网络构建，涵盖丰富的室内外场景图像。为适应分布外检测任务，Liang等人对该数据集进行了专门划分，将其转化为评估模型泛化能力的基准。构建过程中，研究者从原始LSUN数据集中精选了特定类别的图像，确保其在视觉特征上与分布内数据形成显著差异，从而为检测算法的鲁棒性提供严谨的测试环境。

使用方法

在分布外检测研究中，该数据集通常作为测试集的一部分，与CIFAR-10或ImageNet等分布内数据集配合使用。研究人员首先在分布内数据上训练分类模型，随后将LSUN (c) 中的图像输入模型，通过分析模型输出的置信度或特定统计量来识别分布外样本。使用时可借助如detectors等专用库，以标准化流程评估不同检测算法的性能，从而推动模型安全性与泛化能力的进步。

背景与挑战

背景概述

LSUN（c）数据集源于2016年，由Limin Wang、Sheng Guo等研究人员构建，旨在推动大规模场景分类研究。该数据集作为原始LSUN（Large-scale Scene Understanding）的组成部分，专注于复杂场景图像的识别任务，其多分辨率卷积神经网络方法显著提升了模型对多样化视觉环境的理解能力。随后，Shiyu Liang、Yixuan Li等学者于2017年将其重构为分布外检测基准，以评估神经网络在未知数据下的可靠性，从而在计算机视觉与机器学习交叉领域产生了深远影响，促进了模型泛化与安全性的前沿探索。

当前挑战

LSUN（c）数据集的核心挑战在于解决图像分类中分布外检测的难题，即模型需准确区分训练分布外的未知样本，避免对异常输入产生过度自信的误判，这在自动驾驶、医疗诊断等安全关键应用中尤为重要。构建过程中，数据采集面临场景多样性与标注一致性的平衡问题，原始图像需经过严格筛选与预处理以确保质量；同时，作为分布外基准的衍生版本，其设计需模拟真实世界中的分布偏移，对数据划分与评估协议提出了高标准要求，以保障研究的可复现性与公正性。

常用场景

经典使用场景

在计算机视觉领域，大规模场景理解一直是推动模型泛化能力的关键挑战。LSUN (c) 数据集作为经典的离群分布检测基准，其核心应用场景在于评估图像分类模型在面对未知类别或分布外样本时的鲁棒性。研究者通常将LSUN (c) 与标准分类数据集（如ImageNet）结合，通过对比模型在分布内与分布外数据上的表现，系统性地检验神经网络对异常输入的识别能力。这种评估不仅揭示了模型在复杂现实环境中的潜在脆弱性，也为设计更可靠的视觉系统提供了实证基础。

解决学术问题

该数据集主要针对神经网络中的离群分布检测难题，即模型如何有效区分训练分布之外的未知样本。在学术研究中，LSUN (c) 帮助解决了模型过度自信的问题，即神经网络常对未见过的图像给出高置信度预测，导致安全隐患。通过提供大规模、多样化的分布外场景图像，该数据集促进了检测算法的发展，如基于置信度校准、能量函数或生成模型的方法，从而提升了模型在开放世界环境中的可信度与安全性。

实际应用

在实际应用中，LSUN (c) 数据集为自动驾驶、医疗影像分析和安防监控等高风险领域提供了关键的测试工具。例如，在自动驾驶系统中，模型需要准确识别训练数据中未包含的异常物体或场景，以避免误判引发事故。通过利用LSUN (c) 进行离群检测验证，工程师能够优化视觉感知模块，确保系统在遇到罕见或意外情况时发出可靠警告，从而增强整体系统的安全性与适应性。

数据集最近研究

最新研究方向

在计算机视觉领域，大规模场景分类数据集LSUN的OOD检测变体正成为研究焦点。该数据集通过构建分布外样本，推动了神经网络可靠性评估的前沿探索。当前研究热点集中于利用生成模型合成对抗性OOD样本，以增强模型在开放世界环境中的泛化能力。相关进展体现在自监督学习与异常检测的融合，旨在提升模型对未知场景的辨识精度。这一方向对自动驾驶、医疗影像分析等安全关键应用具有深远影响，促进了人工智能系统在复杂现实场景中的稳健部署。