Open Horizons：野外评估深度模型
计算机视觉与模式识别
2025-12-16 v1
摘要
开放世界部署需要模型能够识别已知类别并在新类别出现时保持可靠。我们在 CIFAR-10 上进行统一的实验研究，涵盖开放集识别 (OSR) 和少样本类别增量学习 (FSCIL)。对于 OSR，我们比较了三个预训练的冻结视觉编码器：ResNet-50、ConvNeXt-Tiny 和 CLIP ViT-B/16，使用线性探针和四个后处理评分函数，即 MSP、Energy、Mahalanobis 和 kNN。在各种指标（如 AUROC、AUPR、FPR@95 和 OSCR）上，CLIP 持续产生最强的已知与未知样本间的可分离性，而 Energy 在不同编码器之间提供最稳定的性能。对于 FSCIL，我们比较了修改后的 SPPR、OrCo 和 ConCM，使用部分冻结的 ResNet-50 在 1、5、10 -shot 场景中进行比较。ConCM 在 10-shot 场景下达到 84.7% 的准确率，混淆矩阵最为干净；所有方法在超过 5-shot 后均显示饱和。我们的受控评估揭示了背板架构和评分机制如何影响未知检测以及原型基方法如何在增量适应期缓解灾难性遗忘。
引用
@article{arxiv.2512.12146,
title = {Open Horizons: Evaluating Deep Models in the Wild},
author = {Ayush Vaibhav Bhatti and Deniz Karakay and Debottama Das and Nilotpal Rajbongshi and Yuito Sugimoto},
journal= {arXiv preprint arXiv:2512.12146},
year = {2025}
}