最近在读论文的时候会发现一个问题，有时候论文核心思想非常简单，核心代码可能也就十几行。但是打开作者release的源码时，却发现提出的模块嵌入到分类、检测、分割等代码框架中，导致代码比较冗余，对于特定任务框架不熟悉的我，很难找到核心代码，导致在论文和网络思想的理解上会有一定困难。
因此，作为【论文复现项目】的补充，本项目的宗旨也是让世界上没有难读的论文。
资源整理自网络，源地址：
https://github.com/xmu-xiaoma666/External-Attention-pytorch
有相当多的文献都将这个Decoupled-l
ear
ning
作为一种
benchmark
策略，特别是许多的jointly l
ear
ning
方法，在方法比较的时候都试图做Decoupled-l
ear
ning
以评估其有效性。比如Sinha等人做的CDB (IJCV)以及Difficulty-Net(arXiv)。
《Enhanc
ing
the reliability of out-of-distribution image detection in neural networks.》 ICLR’18
OOD经典baseline。
ODIN 的想法很简单，既然模型对ID 和 OOD 样本输出的 softmax 预测概率分布不同，那么可不可以让它们分布差异变得更大呢？这样便可以更容易的检测 OOD 样本。本文提出两种方法辅助：Temperature scal
ing
和Input Preprocess
ing
：
相比于 .
