面向分布外检测的可迁移负提示学习
计算机视觉与模式识别
2024-04-05 v1
摘要
现有的提示学习方法在分布外（OOD）检测中展现出一定能力，但由于其训练中目标数据集缺乏 OOD 图像，可能导致 OOD 图像与分布内（ID）类别之间的错配，从而导致高误报率。为解决此问题，我们引入一种名为 'NegPrompt' 的新型 OOD 检测方法，用于学习一组负提示，每个提示代表给定类标签的负面语义，以划定 ID 与 OOD 图像之间的边界。该方法仅使用 ID 数据学习此类负提示，不依赖任何外部异常数据。此外，现有方法假设所有 ID 类别的样本均可用，使其在开放词汇学习场景中失效，因为推理阶段可能包含训练期间未出现的新 ID 类别。相比之下，我们学习的负提示可迁移至新的类标签。在多个 ImageNet 基准上的实验表明，NegPrompt 超越了基于最先进提示学习的 OOD 检测方法，并在封闭和开放词汇分类场景的困难 OOD 检测中保持持续领先。代码可在 https://github.com/mala-lab/negprompt 获取。
引用
@article{arxiv.2404.03248,
title = {Learning Transferable Negative Prompts for Out-of-Distribution Detection},
author = {Tianqi Li and Guansong Pang and Xiao Bai and Wenjun Miao and Jin Zheng},
journal= {arXiv preprint arXiv:2404.03248},
year = {2024}
}
备注
Accepted at CVPR 2024