谛听

本代码由PyTorch实现, 我们的环境如下:
python = 3.8.5
numpy == 1.19.2
torch = 1.7.1
torchvision = 0.8.2

1. 安装我们修改的Auto-Attack以便于后面的评估:

cd autoattack
python setup.py build
pip install -e .

2. 下载辅助的训练OOD数据集和测试OOD数据集

请参考(后续我们或许会提供其他云盘下载链接，目前文件太大上传总是不成功)：https://github.com/jfc43/informative-outlier-mining

3. 训练及评估

训练谛听:

python train_obranch.py --model_name wrn-40-4 --dataset cifar10 --training_method pair-pgd-ce --out_training_method pair-pgd-ce_out --gpuid $GPUID$ --storage_device cuda --tiny_file $TINY_FILE$ --model_dir $MODEL_DIR$

评估谛听:

python ood_eval_obranch.py --model_name wrn-40-4 --dataset cifar10 --out_classes 10 --gpuid $GPUID$ --storage_device cuda --model_file $MODEL_FILE$

4. 我们的模型

我们释放出训练好的模型以供测试：
链接：https://pan.quark.cn/s/382839e977f0 提取码：nVfe

5. 参考代码:

[1] ODIN: https://github.com/facebookresearch/odin
[2] ATOM: https://github.com/jfc43/informative-outlier-mining