用于无监督分布外检测的聚类感知对比学习
计算机视觉与模式识别
2023-02-07 v1
摘要
无监督分布外(OOD)检测旨在在没有标签信息的情况下分离出落在训练数据分布之外的样本。在众多分支中,对比学习在 OOD 检测中展现了其学习判别性表示的卓越能力。然而,由于其有限的视野,仅关注增强样本之间的实例级关系,它缺乏对具有相同语义的样本之间关系的关注。基于经典的对比学习,我们提出了用于无监督 OOD 检测的聚类感知对比学习(CCL)框架,该框架同时考虑了实例级和语义级信息。具体而言,我们研究了聚类与对比学习的协作策略以有效提取潜在语义,并设计了聚类感知对比损失函数以增强 OOD 判别能力。该损失函数通过将聚类中心和属于同一聚类的样本均视为正样本,可以同时关注全局和局部关系。我们进行了充分的实验以验证我们框架的有效性,并且该模型在各种图像基准上取得了显著提升。
引用
@article{arxiv.2302.02598,
title = {Cluster-aware Contrastive Learning for Unsupervised Out-of-distribution Detection},
author = {Menglong Chen and Xingtai Gui and Shicai Fan},
journal= {arXiv preprint arXiv:2302.02598},
year = {2023}
}