基于神经坍缩下合成样本暴露的自监督 OOD 检测：BootOOD
计算机视觉与模式识别
2025-12-30 v2 机器学习
摘要
分布外（OOD）检测对于在安全敏感环境中部署图像分类器至关重要，但现有检测方法在 OOD 样本与 in-distribution（ID）类别语义相似时往往难以胜任。我们提出 BootOOD，一个完全自监督的 OOD 检测框架，仅基于 ID 数据构建，专为处理语义上具有挑战性的 OOD 样本而设计。BootOOD 通过对 ID 表示进行简单变换合成伪 OOD 特征，并利用神经坍缩（NC）现象——即 ID 特征在类均值附近紧密聚集且特征范数一致。与旨�将 OOD 特征限制在与坍缩的 ID 均值正交的子空间不同，BootOOD 引入一个轻量级辅助头，对特征范数进行半径基分类。该设计将 OOD 检测从主分类器中解耦，并施加一种宽松要求：学习 OOD 样本具有小于 ID 特征的特征范数，这在 ID 与 OOD 语义接近时更容易满足。在 CIFAR-10、CIFAR-100 和 ImageNet-200 上的实验表明，BootOOD 在超越先前后处理方法的同时，在无异常暴露的情况下超过训练基于的方法，并在保持或提高 ID 准确率的同时与最先进的异常暴露方法保持竞争力。
引用
@article{arxiv.2511.13539,
title = {BootOOD: Self-Supervised Out-of-Distribution Detection via Synthetic Sample Exposure under Neural Collapse},
author = {Yuanchao Wang and Tian Qin and Eduardo Valle and Bruno Abrahao},
journal= {arXiv preprint arXiv:2511.13539},
year = {2025}
}
备注
10 pages