DCAC：动态类别感知缓存创建更强的异常分布检测器
计算机视觉与模式识别
2026-01-21 v1
摘要
异常分布（OOD）检测仍是深度神经网络的根本挑战，尤其是由于在测试期间对未见的 OOD 样本过于自信。我们揭示了一个关键见解：被预测为相同类别或对其给予高概率的 OOD 样本之间的视觉相似性更大，而与真实的 in-distribution（ID）样本之间更不相似。基于这一类别特定观察，我们提出了 DCAC（Dynamic Class-Aware Cache），即一种在测试时保持每个 ID 类别的独立缓存，以收集高熵样本并校准输入样本的原始预测。DCAC 利用缓存的视觉特征和预测概率通过轻量级双层模块来缓解对 OOD 样本的过度自信。该模块可无缝集成到各种现有 OOD 检测方法中，无论是单模态还是视觉语言模型，同时引入最小的计算开销。广泛的实验表明，DCAC 在多个 OOD 基准测试中显著提升了现有方法，实现显著性改进，即在 ImageNet OOD 基准测试中集成 ASH-S 后将 FPR95 降低 6.55%。
引用
@article{arxiv.2601.12468,
title = {DCAC: Dynamic Class-Aware Cache Creates Stronger Out-of-Distribution Detectors},
author = {Yanqi Wu and Qichao Chen and Runhe Lai and Xinhua Lu and Jia-Xin Zhuang and Zhilin Zhao and Wei-Shi Zheng and Ruixuan Wang},
journal= {arXiv preprint arXiv:2601.12468},
year = {2026}
}
备注
9 pages, 9 figures, Accepted by AAAI2026