CADRef：通过类别感知解耦相对特征利用实现鲁棒的分布外检测
计算机视觉与模式识别
2025-03-17 v2
摘要
深度神经网络（DNN）在处理分布外（OOD）样本时表现出过度自信，已受到广泛批评，凸显了有效 OOD 检测对确保 DNN 在真实场景安全部署的关键需求。现有后验 OOD 检测方法主要通过重塑样本特征来增强基于 logit 方法的判别能力，但往往忽略了特征本身固有的关键信息。在本文中，我们提出了类别感知相对特征方法（CARef），利用样本特征与其类别感知平均特征之间的误差作为判别准则。为进一步细化该方法，我们提出了类别感知解耦相对特征方法（CADRef），通过相对特征与对应模型权重之间符号的一致性对样本特征进行解耦，增强了 CARef 的判别能力。在多个数据集和模型上的广泛实验结果表明，两种方法在 OOD 检测方面均表现出有效性和鲁棒性。具体而言，我们的两种方法在 AUROC 上分别超越最佳基线 2.82% 和 3.27%，在 FPR95 上的提升分别为 4.03% 和 6.32%。
引用
@article{arxiv.2503.00325,
title = {CADRef: Robust Out-of-Distribution Detection via Class-Aware Decoupled Relative Feature Leveraging},
author = {Zhiwei Ling and Yachen Chang and Hailiang Zhao and Xinkui Zhao and Kingsum Chow and Shuiguang Deng},
journal= {arXiv preprint arXiv:2503.00325},
year = {2025}
}
备注
This paper has been accepted by CVPR 2025