激活至关重要：用于视觉语言模型 OOD 检测的测试时激活负标签
计算机视觉与模式识别
2026-03-27 v1 人工智能
机器学习
摘要
分布外（OOD）检测旨在识别偏离分布内（ID）样本的样本。一种流行的流水线通过引入远离 ID 类别的负标签并基于其与这些标签的距离来检测 OOD。然而，此类标签在 OOD 样本上可能呈现较差的激活水平，无法捕捉 OOD 特征。为解决这一问题，我们提出测试时激活负标签（TANL），通过在语料库数据集上动态评估激活水平并在测试过程中挖掘具有高激活响应的候选标签。具体而言，TANL 在线识别高置信度测试图像，并将其分配概率在语料库上累积以构建标签激活度量。该度量利用历史测试样本自适应地对齐测试分布，从而实现分布自适应激活负标签的选择。通过进一步探索当前测试批次中的激活信息，我们引入了一种更细粒度的批次自适应变体。为充分利用标签激活知识，我们提出一种激活感知评分函数，强调激活更强的负标签，提升性能并增强其对标签数量的鲁棒性。我们的 TANL 无需训练、测试高效，且有理论依据。在多种骨干网络和广泛任务设置上的实验验证了其有效性。特别地，在大规模的 ImageNet 基准上，TANL 将 FPR95 从 17.5% 显著降低到 9.8%。代码可在 https://github.com/YBZh/OpenOOD-VLM 获取。
引用
@article{arxiv.2603.25250,
title = {Activation Matters: Test-time Activated Negative Labels for OOD Detection with Vision-Language Models},
author = {Yabin Zhang and Maya Varma and Yunhe Gao and Jean-Benoit Delbrouck and Jiaming Liu and Chong Wang and Curtis Langlotz},
journal= {arXiv preprint arXiv:2603.25250},
year = {2026}
}
备注
CVPR 2026 main track, Codes are available at https://github.com/YBZh/OpenOOD-VLM