用于少样本分布外检测的自适应多提示对比网络
计算机视觉与模式识别
2026-05-27 v2 人工智能
摘要
分布外（OOD）检测旨在区分异常样本，以防止在分布内（ID）数据集上训练的模型产生不可用的输出。大多数OOD检测方法需要大量独立同分布（IID）样本进行训练，这严重限制了其在现实世界中的应用。为此，我们针对一个具有挑战性的设定：少样本OOD检测，其中{仅有少量带标注的ID样本可用}。因此，少样本OOD检测比传统的OOD检测设定更具挑战性。以往的少样本OOD检测工作忽略了不同类别之间显著的多样性。在本文中，我们提出了一种新颖的网络：自适应多提示对比网络（AMCN），它通过学习类间和类内分布来调整ID-OOD分离边界。为了弥补OOD图像样本的缺失以及ID图像样本的稀缺，我们利用CLIP将文本与图像相连接，设计可学习的ID和OOD文本提示。具体而言，我们首先生成自适应提示（可学习的ID提示、标签固定的OOD提示和标签自适应的OOD提示）。然后，我们通过引入逐类阈值，为每个类别生成自适应的类边界。最后，我们提出一个提示引导的ID-OOD分离模块，以控制ID和OOD提示之间的间隔。实验结果表明，AMCN优于其他最先进的工作。
引用
@article{arxiv.2506.17633,
title = {Adaptive Multi-prompt Contrastive Network for Few-shot Out-of-distribution Detection},
author = {Xiang Fang and Arvind Easwaran and Blaise Genest},
journal= {arXiv preprint arXiv:2506.17633},
year = {2026}
}
备注
Published in ICML 2025