基于背景提示的少样本类外分布检测
计算机视觉与模式识别
2025-09-26 v1
摘要
现有的前景-背景（FG-BG）分解方法用于少样本类外分布（FS-OOD）检测常因过度依赖局部类相似性和固定背景块提取策略而导致鲁棒性较低。为此，我们提出一种新的 FG-BG 分解框架，称为 Mambo，用于 FS-OOD 检测。具体而言，我们提出首先学习背景提示以获取包含背景和图像语义信息的局部背景相似性，然后利用局部类相似性对局部背景相似性进行细化。因此，我们同时使用经细化后的局部背景相似性和局部类相似性进行背景提取，减少了以往方法中对局部类相似性的依赖。此外，我们提出了基于 patch 自校准调�以考虑样本多样性，灵活选择不同样本的背景块数量，从而探索了以往方法中固定背景提取策略的问题。广泛的实验表明，我们提出的 Mambo 在实际数据集上表现最佳，优于 SOTA 方法在 OOD 检测和近 OOD 检测设置下的性能。源代码将发布于 https://github.com/YuzunoKawori/Mambo。
引用
@article{arxiv.2509.21055,
title = {Background Prompt for Few-Shot Out-of-Distribution Detection},
author = {Songyue Cai and Zongqian Wu and Yujie Mo and Liang Peng and Ping Hu and Xiaoshuang Shi and Xiaofeng Zhu},
journal= {arXiv preprint arXiv:2509.21055},
year = {2025}
}