SeNeDiF-OOD：面向开放世界分类分布外检测方法的语义嵌套二分法融合——以纪念碑风格分类为例
计算机视觉与模式识别
2026-02-03 v3 人工智能
摘要
分布外（OOD）检测是人工智能应用在开放世界环境中可靠部署的基本要求。然而，处理OOD数据的异构特性（从低级损坏到语义偏移）仍是一项复杂的挑战，单阶段检测器往往无法解决。为解决此问题，我们提出了SeNeDiF-OOD，一种基于语义嵌套二分法融合的新方法。该框架将检测任务分解为二元融合节点的分层结构，其中每一层旨在整合与特定语义抽象层级对齐的决策边界。为验证所提框架，我们使用MonuMAI进行了一项综合案例研究，这是一个暴露于开放环境的真实世界建筑风格识别系统。该应用面临多种输入，包括非纪念碑图像、未知建筑风格和对抗攻击，使其成为我们方案的理想测试平台。通过在该领域的广泛实验评估，结果表明我们的分层融合方法显著优于传统基线，在保持分布内性能的同时有效过滤了这些多样的OOD类别。
引用
@article{arxiv.2601.18739,
title = {SeNeDiF-OOD: Semantic Nested Dichotomy Fusion for Out-of-Distribution Detection Methodology in Open-World Classification. A Case Study on Monument Style Classification},
author = {Ignacio Antequera-Sánchez and Juan Luis Suárez-Díaz and Rosana Montes and Francisco Herrera},
journal= {arXiv preprint arXiv:2601.18739},
year = {2026}
}
备注
28 pages