面向图像分类的分布外检测训练目标系统性比较
计算机视觉与模式识别
2026-03-12 v2 人工智能
机器学习
摘要
分布外(OD)检测在安全敏感应用中至关重要。尽管该挑战已从多个角度被 addressed，但训练目标对OD行为的影响仍相对不为人知。本文在标准化的OpenOOD协议下，对四种广泛使用的训练目标进行系统性比较：交叉熵损失、原型损失、三角损失和平均精度(AP)损失，涵盖概率模型、原型模型、度量学习和排序模型等监督方式。在CIFAR-10/100和ImageNet-200上，我们发现交叉熵损失、原型损失和AP损失在分布内准确率上表现相当，而交叉熵损失在整体上提供最一致的近OD和远OD性能；其他目标在特定设置下也可具有竞争力。
引用
@article{arxiv.2603.07571,
title = {A Systematic Comparison of Training Objectives for Out-of-Distribution Detection in Image Classification},
author = {Furkan Genç and Onat Özdemir and Emre Akbaş},
journal= {arXiv preprint arXiv:2603.07571},
year = {2026}
}