DAVIS：基于主导激活和方差的 OOD 检测以提高分离度
计算机视觉与模式识别
2026-04-24 v2
摘要
检测离群分布输入（OOD）是将机器学习模型部署到现实世界中的关键安全措施。然而，大多数后处理检测方法基于来自全局平均池化（GAP）的初级特征表示——这是一种有损操作，丢弃了全局平均池化前激活图中被忽略的分布统计信息。我们认为，这些被忽略的统计信息，特别是通道wise 方差和主导（最大）激活，对 OOD 检测具有高度辨识度。我们引入 DAVIS（一种简单且广泛适用的后处理技术），通过纳入这些关键统计信息来丰富特征向量，直接解决 GAP 的信息丢失问题。广泛的评估显示，DAVIS 在包括 ResNet、DenseNet 和 EfficientNet 在内的多种架构中均设立了新的基准。它在使用 ResNet-18 处理 CIFAR-10 上的 FPR95 降低了 48.26%，在使用 ResNet-34 处理 CIFAR-100 上的 FPR95 降低了 38.13%，在使用 MobileNet-v2 处理 ImageNet-1k 基准测试上的 FPR95 降低了 26.83%。我们的分析揭示了这种改进的底层机制，为超越 OOD 检测中的均值提供了原则性依据。
引用
@article{arxiv.2601.22703,
title = {DAVIS: OOD Detection via Dominant Activations and Variance for Increased Separation},
author = {Abid Hassan and Tuan Ngo and Saad Shafiq and Nenad Medvidovic},
journal= {arXiv preprint arXiv:2601.22703},
year = {2026}
}