CLIPScope：基于贝叶斯评分提升零样图 OOD 检测
计算机视觉与模式识别
2024-11-12 v2
摘要
检测 out-of-distribution（OOD）样本对于机器学习模型在实际部署中至关重要。最近的进展表明，视觉语言基础模型能够在不要求 in-distribution（ID）图像的情况下检测 OOD 样本。然而，这些零样方法往往表现不佳，因为它们在检测置信度评分时不充分考虑 ID 类的似然性。因此，我们引入 CLIPScope，一种零样 OOD 检测方法，通过 ID 类的似然性归一化样本的置信度得分，类似于贝叶斯后验更新。此外，CLIPScope 包含一种新颖策略，从大型词典库中采矿 OOD 类。它选择距离 ID 类最远和最近的类别标签，以 CLIP 嵌入距离最大化覆盖 OOD 样本。我们进行了广泛的消除实验和实证评估，展示了 CLIPScope 在 various OOD 检测基准上的 state of the art 性能。
引用
@article{arxiv.2405.14737,
title = {CLIPScope: Enhancing Zero-Shot OOD Detection with Bayesian Scoring},
author = {Hao Fu and Naman Patel and Prashanth Krishnamurthy and Farshad Khorrami},
journal= {arXiv preprint arXiv:2405.14737},
year = {2024}
}