一种用于风格迁移下新颖检测的对比学习教师-学生框架
计算机视觉与模式识别
2025-01-30 v1
摘要
已经有多种方法致力于提高新颖检测（ND）性能。然而，ND 方法在因环境变化导致的细微分布迁移（称为风格迁移）下常会出现显著的性能下降。这一挑战源于 ND 设置——在训练期间缺乏离群分布（OOD）样本，导致检测器偏向于主导风格特征的 in-distribution（ID）数据。结果，模型会错误地学习将风格与核心特征相关联，利用这一捷径进行检测。鲁棒的 ND 对真实世界的应用至关重要，如自动驾驶和医学成像，其中测试样本可能与训练数据具有不同的风格。为此，我们提出一种鲁棒的 ND 方法，通过构建一个风格特征类似于 ID 集合但核心特征不同的辅助 OOD 集合。然后，利用基于任务的知识蒸馏策略来区分核心特征和风格特征，帮助模型依赖核心特征来区分制作的 OOD 和 ID 集合。我们通过在多个数据集上进行大规模实验评估了本方法的有效性，包括合成数据集和真实世界基准，与九种不同的 ND 方法进行比较。
引用
@article{arxiv.2501.17289,
title = {A Contrastive Teacher-Student Framework for Novelty Detection under Style Shifts},
author = {Hossein Mirzaei and Mojtaba Nafez and Moein Madadi and Arad Maleki and Mahdi Hajialilue and Zeinab Sadat Taghavi and Sepehr Rezaee and Ali Ansari and Bahar Dibaei Nia and Kian Shamsaie and Mohammadreza Salehi and Mackenzie W. Mathis and Mahdieh Soleymani Baghshah and Mohammad Sabokrou and Mohammad Hossein Rohban},
journal= {arXiv preprint arXiv:2501.17289},
year = {2025}
}
备注
The code repository is available at: https://github.com/rohban-lab/CTS