| Titre : | Enhancing deep learning based classifiers using out of distribution data detection |
| Auteurs : | Abdelghani Halimi, Auteur ; Ahmed Hadjadj, Auteur ; Sid-Ahmed Berrani, Directeur de thèse |
| Type de document : | document électronique |
| Editeur : | [S.l.] : [s.n.], 2022 |
| Format : | 1 fichier PDF (10.3 Mo) / ill. |
| Note générale : |
Mode d'accès : accès au texte intégral par intranet.
Mémoire de Projet de Fin d’Études : Électronique : Alger, École Nationale Polytechnique : 2022 Bibliogr. f. 80 - 84 . - Annexe f. 85 - 94 |
| Langues : | Anglais |
| Index. décimale : | PN00322 |
| Tags : | Neural network ; Out-of-distribution detection Image data Comparative evaluation Classification Proposed method Web interface |
| Résumé : | In this work, three out-of distribution detection methods are implemented, evaluated and compared on several common benchmarks (different natural image datasets), as well as on the ImageNet-O dataset, a novel dataset that has been created to aid research in OOD detection for ImageNet models. In this thesis, we also investigate the effect of label space size on the OOD detection performance, for that we used three different in-distribution datasets (CIFAR-10, CIFAR-100 and ImageNet-1K), and we showed that the performance degrades rapidly as the number of in-distribution classes increases. We concluded by proposing a method that surpasses the three previous methods in detection performances and by creating a web user interface to test out our OOD detection method. |
Exemplaires (1)
| Cote | Support | Localisation | Section | Disponibilité | Spécialité | Etat_Exemplaire |
|---|---|---|---|---|---|---|
| PN00322 | Ressources électroniques | Bibliothèque centrale | Projet Fin d'Etudes | Disponible | Electronique | Téléchargeable |
Documents numériques (1)
|
HALIMI.Abdelghani_HADJADJ.Ahmed.pdf URL
|
