原型融合：无训练的多层方法用于异常分布检测
计算机视觉与模式识别
2026-05-13 v2 人工智能
摘要
深度学习模型在日益增多的安全关键型应用中部署，可靠的异常分布检测（OOD）对于确保鲁棒性至关重要。现有方法主要依赖神经网络的倒数第二层激活值，假设其封装了最具信息的分布内（ID）表示。在本工作中，我们重新审视这一假设，表明中间层同样编码了用于异常分布检测的丰富且具辨识力的信息。基于这一观察，我们提出一种简单而有效的模型无关方法，利用多个层的内部表示。该方案聚合连续卷积块的特征，计算类别wise均值嵌入，并应用 L2 归一化以形成捕获类别语义的紧凑ID原型。在推理阶段，测试特征与这些原型之间的余弦相似性作为异常分布评分——ID样本表现出对至少一个原型的强烈亲和力，而OOD样本则保持均匀距离。针对各种架构的领先异常分布基准进行大量实验，证明该方法能够提供稳健、架构无关的性能，并在图像分类中实现强泛化。值得注意的是，该方法将AUROC提升最高可达4.41%，将FPR降低13.58%，凸显多层特征聚合作为异常分布检测的强大且未被充分探索的信号，挑战了基于倒数第二层的方法的主导地位。我们的代码可在 https://github.com/sgchr273/cosine-layers.git 获取。
引用
@article{arxiv.2603.23677,
title = {Prototype Fusion: A Training-Free Multi-Layer Approach to OOD Detection},
author = {Shreen Gul and Mohamed Elmahallawy and Ardhendu Tripathy and Sanjay Madria},
journal= {arXiv preprint arXiv:2603.23677},
year = {2026}
}