GL-MCM：用于零样本分布外检测的全局与局部最大概念匹配
计算机视觉与模式识别
2025-01-22 v4
摘要
零样本分布外（OOD）检测是一项仅利用分布内（ID）类名在推理时检测 OOD 图像的任务。现有方法假设 ID 图像包含单个居中物体，未考虑更现实的多物体场景，即 ID 与 OOD 物体同时存在。为满足众多用户需求，检测方法必须具备适应 ID 图像类型的灵活性。为此，我们提出全局-局部最大概念匹配（GL-MCM），其将局部图像分数作为辅助分数，以增强全局与局部视觉特征的可分性。得益于简单的集成分数函数设计，GL-MCM 可通过单一权重参数控制 ID 图像的类型。在 ImageNet 和多物体基准上的实验表明，GL-MCM 优于基线零样本方法，并与全监督方法相当。此外，GL-MCM 在调整 ID 图像目标类型方面提供了很强的灵活性。代码可通过 https://github.com/AtsuMiyai/GL-MCM 获取。
引用
@article{arxiv.2304.04521,
title = {GL-MCM: Global and Local Maximum Concept Matching for Zero-Shot Out-of-Distribution Detection},
author = {Atsuyuki Miyai and Qing Yu and Go Irie and Kiyoharu Aizawa},
journal= {arXiv preprint arXiv:2304.04521},
year = {2025}
}
备注
Accepted by International Journal of Computer Vision (IJCV) 2025