局部背景特征在离分布检测中发挥重要作用
计算机视觉与模式识别
2025-10-15 v1
摘要
离分布检测（Out-of-Distribution, OOD 检测）对于确保深度神经网络在现实世界部署中的可靠性和安全性至关重要。在 OOD 检测方面存在的一个主要挑战是，神经网络模型常对 OOD 数据产生过度自信的预测。虽然某些方法通过辅助 OOD 数据集或生成人造 OOD 图像显示出有前景的检测性能，但这些方法受限于数据收集成本和训练成本的高昂。本研究提出一种新型且有效的 OOD 检测方法，利用局部背景特征作为人造 OOD 特征进行模型训练。我们受到启发，观察到 OOD 图像通常与 ID 图像共享类似的背景区域，因此，基于卷积的局部不变性，在训练时从 ID 图像中提取背景特征作为模拟 OOD 视觉表示。通过优化这些背景特征的 -范数，神经网络能够缓解其在 OOD 数据上的过度自信问题。在多个标准 OOD 检测基准数据集上的广泛实验确认了本方法的有效性及其与现有后处理方法的广泛组合兼容性，展现出新的最先进性能。
引用
@article{arxiv.2510.12259,
title = {Local Background Features Matter in Out-of-Distribution Detection},
author = {Jinlun Ye and Zhuohao Sun and Yiqiao Qiu and Qiu Li and Zhijun Tan and Ruixuan Wang},
journal= {arXiv preprint arXiv:2510.12259},
year = {2025}
}