Catalyst：通过弹性缩放实现类分布检测
计算机视觉与模式识别
2026-04-24 v3
摘要
类分布(OOD)检测对于深度神经网络的安全部署至关重要。当前最先进的后处理方法通常从通过全局平均池化(GAP)获得的输出 logits 或最后特征向量中推导 OOD 分数。我们认为，这种仅依赖 logits 或特征向量的做法丢弃了来自池化前特征图原始通道统计信息的丰富、互补信号。在本文中，我们引入了 Catalyst，一种后处理框架，利用这些 under-explored 信号。Catalyst 从这些原始统计信息(例如均值、标准偏差和最大激活值)动态计算输入依赖的缩放因子()。该 随后与现有基线分数相融合，进行乘法调制——即弹性缩放——以将 ID 和 OOD 分布进一步拉开。我们展示 Catalyst 是一种通用框架：它无缝集成到基于能量、ReAct、SCALE 等基于 logits 的方法中，也为距离基方法如 KNN 提供显著提升。结果显示，Catalyst 在 CIFAR-10 (ResNet-18) 上将平均误报率降低 32.87%，在 CIFAR-100 (ResNet-18) 上降低 27.94%，在 ImageNet (ResNet-50) 上降低 22.25%。我们的研究凸显了池化前统计信息的潜在价值，表明 Catalyst 与现有 OOD 检测方法是互补的。我们的代码已公开：https://github.com/bingabid/Catalyst
引用
@article{arxiv.2602.02409,
title = {Catalyst: Out-of-Distribution Detection via Elastic Scaling},
author = {Abid Hassan and Tuan Ngo and Saad Shafiq and Nenad Medvidovic},
journal= {arXiv preprint arXiv:2602.02409},
year = {2026}
}
备注
Accepted at Conference on Computer Vision and Pattern Recognition (CVPR) 2026. arXiv admin note: text overlap with arXiv:2601.22703