NegRefine: 基于负标签的零样本 OOD 检测方法
计算机视觉与模式识别
2025-07-22 v2 机器学习
摘要
近期视觉语言模型如 CLIP 的发展, 使零样本 OOD 检测得以利用图像和文本标签信息. 其中基于负标签的方法如 NegLabel 与 CSP 显示出良好的性能, 通过词汇表定义负标签以区分 OOD 样本. 然而, 这些方法在检测因负标签为 in-distribution 标签子类或专有名词而导致 in-distribution 样本被误判为 OOD 时存在困难;同时也受限于处理匹配多个 in-distribution 与负标签的图像. 我们提出 NegRefine, 一个新的负标签细化框架用于零样本 OOD 检测. 通过引入过滤机制排除负标签集合中的子类标签和专有名词, 并纳入多匹配感知评分函数动态调整多个标签对图像贡献, NegRefine 确保 in-distribution 与 OOD 样本之间实现更稳健的分离. 我们在大规模基准测试(包括 ImageNet-1K)上对 NegRefine 进行评估. 代码已公开于 https://github.com/ah-ansari/NegRefine.
关键词
引用
@article{arxiv.2507.09795,
title = {NegRefine: Refining Negative Label-Based Zero-Shot OOD Detection},
author = {Amirhossein Ansari and Ke Wang and Pulei Xiong},
journal= {arXiv preprint arXiv:2507.09795},
year = {2025}
}
备注
Accepted to ICCV 2025