OT-DETECTOR：探索最优传输用于零样图无分布检测
计算机视觉与模式识别
2025-05-21 v2 多媒体
摘要
无分布 (OOD) 检测对于确保机器学习模型在现实应用中的可靠性和安全性至关重要。虽然基于视觉语言模型如 CLIP 的零样 OOD 检测在不需要针对分布内 (ID) 数据进行训练的情况下变得可行，但现有方法主要聚焦于语义匹配，未能充分捕捉分布差异。为此，我们提出了 OT-DETECTOR，一种新型框架，采用最优传输 (OT) 来量化测试样本与 ID 标签之间的语义和分布差异。具体而言，我们引入跨模态传输质量和传输成本，分别作为语义层面和分布层面的 OOD 分数，从而实现对 OOD 样本的更稳健检测。此外，我们提出了语义感知的内容细化 (SaCR) 模块，利用 ID 标签的语义线索放大 ID 与硬 OOD 样本之间的分布差异。在多个基准测试上的大量实验表明，OT-DETECTOR 在各种 OOD 检测任务中实现了最先进的性能，尤其在具有挑战性的硬 OOD 场景中表现尤为突出。
引用
@article{arxiv.2503.06442,
title = {OT-DETECTOR: Delving into Optimal Transport for Zero-shot Out-of-Distribution Detection},
author = {Yu Liu and Hao Tang and Haiqi Zhang and Jing Qin and Zechao Li},
journal= {arXiv preprint arXiv:2503.06442},
year = {2025}
}
备注
Accepted to the 34th International Joint Conference on Artificial Intelligence (IJCAI 2025)