基于边界框的异常评分：简单高效的异常分布检测
机器学习
2026-03-25 v1
摘要
异常分布（OOD）检测旨在识别与训练分布不同的输入，以减少深度神经网络的不可靠预测。在后续特征空间方法中，OOD 检测通常通过近似预训练网络表示空间中的分布来实现。现有方法往往在紧凑参数模型（如马哈拉诺斯距离得分）和更灵活但基于参考的方法（如 k 近邻）之间进行权衡。边界框抽象提供了一种吸引人的中间视角，通过表示隐藏激活的紧凑轴对齐摘要来表示分布。本文提出了一种边界框异常评分（BBAS），这是一种后续 OOD 检测方法，利用边界框抽象。BBAS 结合了基于区间超出的分级异常得分、适用于卷积层的监控变量，以及解耦的聚类和盒构造，以实现更丰富和多层的表示。在图像分类基准测试上进行实验表明，BBAS 在保持边界框方法的简单性、紧凑性和可更新性的同时，提供了对分布和异常样本之间的稳健分离。
引用
@article{arxiv.2603.22660,
title = {Bounding Box Anomaly Scoring for simple and efficient Out-of-Distribution detection},
author = {Mohamed Bahi Yahiaoui and Geoffrey Daniel and Loïc Giraldi and Jérémie Bruyelle and Julyan Arbel},
journal= {arXiv preprint arXiv:2603.22660},
year = {2026}
}
备注
45 pages, 4 figures, 17 tables