SeTAR：基于选择性低秩近似的置信外分布检测
计算与语言
2024-11-06 v4 人工智能
计算机视觉与模式识别
摘要
置信外分布（OOD）检测对于神经网络的安全部署至关重要。现有的 CLIP 方法通过设计新颖的评分函数或复杂的微调方法来实现 OOD 检测。本文提出 SeTAR，一种新颖的、无需训练的 OOD 检测方法，利用对视觉语言和视觉-only 模型权重矩阵进行选择性低秩近似。SeTAR 通过基于后处理修改模型权重矩阵的方式增强 OOD 检测，采用简单的参数化搜索算法实现。基于 SeTAR，我们进一步提出 SeTAR+FT，即一种微调扩展，用于优化 OOD 检测任务的模型性能。在 ImageNet1K 和 Pascal-VOC 基准测试上进行的广泛评估显示，SeTAR 在性能上具有优势，较零样本和微调基准将相对误报率分别降低最高可达 18.95% 和 36.80%。消融研究进一步验证了 SeTAR 在不同模型主干网络中的有效性、鲁棒性和通用性。我们的工作提供了一种可扩展、高效的 OOD 检测解决方案，在该领域设立了新的最高成绩。
引用
@article{arxiv.2406.12629,
title = {SeTAR: Out-of-Distribution Detection with Selective Low-Rank Approximation},
author = {Yixia Li and Boya Xiong and Guanhua Chen and Yun Chen},
journal= {arXiv preprint arXiv:2406.12629},
year = {2024}
}
备注
Accepted by NeurIPS 2024. Project page is live at https://SeTAR-OOD.github.io. Code are available at https://github.com/X1AOX1A/SeTAR