MaRS: Robust Out-of-Distribution Detection via Mahalanobis Residual Scoring
xAILab Bamberg, University of Bamberg, Germany(班贝格大学 xAILab 班贝格实验室,德国)
提出MaRS方法,利用轻量自编码器学习分布内流形,通过马氏距离度量重建残差,实现方差感知的分布外检测,在多种医学影像模态和分布偏移下优于现有基线。
2026-06-29 cs.CV cs.LG eess.IV
From Misclassifications to Outliers: Joint Reliability Assessment in Classification
Intellindust AI Lab(智联工业人工智能实验室);Samsung AI Center(三星人工智能中心)
本文提出联合评估框架和双评分函数,提升分类器可靠性,适用于不同场景的稳健模型部署。
2026-03-04 cs.CV cs.LG
Learning Multi-Manifold Embedding for Out-Of-Distribution Detection
Inventec Corporation(英业达股份有限公司);University at Albany, State University at New York(纽约州立大学奥尔巴尼分校)
本文提出多流形嵌入学习框架,联合优化超球面和双曲空间,仅用少量OOD样本即可显著降低FPR并保持高AUC,无需模型重训练。
2024-09-19 cs.AI cs.CV cs.LG
Detecting Out-of-distribution Examples via Class-conditional Impressions Reappearing
Huazhong University of Science and Technology(华中科技大学);Ping An Technology (Shenzhen) Co., Ltd.(平安科技(深圳)有限公司)
分布外(OOD)检测旨在增强标准深度神经网络,以区分异常输入和原始训练数据。以前的进展已经介绍了各种方法,其中分布训练数据甚至几个OOD示例是先决条件。然而,由于隐私和安全性,辅助数据在现实世界中往往是不切实际的。在本文中,我们提出了一种无需对自然数据进行训练的无数据方法,称为类条件印象再现(C2IR),它利用固定模型的图像印象来恢复类条件特征统计。在此基础上,我们引入积分概率估计来估计逐层的类条件偏差,并通过基于重要性的度量(MGI)来获得层权重。实验验证了该方法的有效性,并表明C2IR优于其他事后方法,达到了与完全访问(ID和OOD)检测方法相当的性能,特别是在远OOD数据集(SVHN)。
2023-03-17 cs.CV cs.LG
SupEuclid: Extremely Simple, High Quality OoD Detection with Supervised Contrastive Learning and Euclidean Distance
Simon Fraser University(西蒙弗雷泽大学);Digitalist Group Canada(加拿大数字主义集团)
该研究提出SupEuclid方法,用监督对比学习训练ResNet18,仅靠欧氏距离做OoD检测,在近远OoD基准上取得SOTA效果,提供了简单强基线。
2023-08-21 cs.CV cs.LG
Iterative Deployment Exposure for Unsupervised Out-of-Distribution Detection
University of Bern(伯恩大学);University of Bonn(波恩大学)
针对现有无监督分布外检测方法忽略部署后积累特定任务OOD样本的问题,提出更贴合实际的迭代部署暴露设置与CSO方法,结合马氏距离、最近邻及置信度缩放少样本检测器,在三种医学影像模态上显著优于强基线。
2025-05-19 cs.CV cs.LG
Neural Distribution Prior for LiDAR Out-of-Distribution Detection
The University of Melbourne(墨尔本大学)
本文提出神经分布先验框架,通过动态捕捉训练数据的logit分布模式和引入Perlin噪声生成策略,提升激光雷达分布外检测性能,实验显示在STU数据集上达到61.31%的AP,优于现有方法。
2026-04-17 cs.AI cs.CV
PROTON: Prototype-Based Test-Time Online OOD Detection for Medical VLMs
MBZUAI(穆罕默德·本·扎耶德人工智能大学);University of Peradeniya(佩拉德尼亚大学);Khalifa University(哈利法大学);ADIA Lab(阿布扎比投资局实验室);MedOS
针对医学视觉语言模型在部署时难以检测分布外输入的问题,提出PROTON方法,通过在线原型库和自适应融合原型距离与最大概念匹配得分,无需修改模型或训练数据,在多个OOD场景下提升检测性能。
2026-06-23 cs.AI cs.CV cs.LG
Detecting semantic anomalies
Mila(米拉研究所);Université de Montréal(蒙特利尔大学)
我们批判性地评价最近的兴趣在分布(OOD)检测和现有基准的实际相关性的问题。虽然目前普遍的趋势是考虑不同的数据集OOD,我们认为,实际利益的外分布的区别是语义的性质为指定的上下文,和评估任务应该更密切地反映这一点。假设对象识别的背景下,我们建议一组基准,由实际应用的动机。我们通过探索基于多任务学习的方法在这些基准测试中取得了进展,表明提高语义感知的辅助目标可以改善语义异常检测,并具有相应的泛化优势。
2019-11-21 cs.CV cs.LG
NegRefine: Refining Negative Label-Based Zero-Shot OOD Detection
Simon Fraser University(西蒙弗雷泽大学);National Research Council Canada(加拿大国家研究理事会)
NegRefine提出负标签精炼框架,通过过滤子类别和专有名词负标签并引入多匹配感知评分,提升零样本OOD检测的鲁棒性。
2025-07-20 cs.CV cs.LG
MOS: Towards Scaling Out-of-distribution Detection for Large Semantic Space
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
检测分发外(OOD)输入是在现实世界中安全部署机器学习模型的核心挑战。现有的解决方案主要由小数据集驱动,具有低分辨率和非常少的类别标签(例如,CIFAR)。因此,大规模图像分类任务的OOD检测仍然在很大程度上未被探索。在本文中,我们提出了一个基于组的OOD检测框架,以及一个新的OOD评分功能称为MOS弥合这一关键差距。我们的关键思想是将大的语义空间分解成具有相似概念的较小的组,这允许简化分布内与分布外数据之间的决策边界,以进行有效的OOD检测。我们的方法比以前的方法更好地扩展高维类空间。我们针对四个精心策划的OOD数据集评估了在ImageNet上训练的模型,这些数据集涵盖了不同的语义。MOS建立了最先进的性能,将平均FPR95降低了14.33%,同时与以前的最佳方法相比,推理速度提高了6倍。
2021-05-05 cs.CV cs.LG
Generalized ODIN: Detecting Out-of-distribution Image without Learning from Out-of-distribution Data
Georgia Institute of Technology(佐治亚理工学院);Samsung Research America(三星美国研究院)
深度神经网络在应用于来自与训练集相同分布的数据时已经获得了显着的性能,但否则会显着降低。因此,检测一个样本是否属于非分布样本(OoD)对于系统拒绝此类样本或提醒用户至关重要。最近的工作已经取得了重大进展的OoD基准组成的小图像数据集。然而,许多基于神经网络的最新方法依赖于使用分布内和分布外数据进行训练或调整。后者通常很难先验定义,并且其选择很容易使学习产生偏差。我们的工作基于一个流行的方法ODIN,提出了两种策略,使其从OoD数据调整的需要中解脱出来,同时提高其OoD检测性能。我们特别提出了分解的信心评分以及修改后的输入预处理方法。我们表明,这两个显着有助于检测性能。我们对更大规模图像数据集的进一步分析表明,两种类型的分布偏移,特别是语义偏移和非语义偏移,在问题的难度上存在显着差异,提供了一个分析ODIN类策略何时起作用或不起作用。
2020-03-31 cs.CV cs.LG eess.IV
Analysis of Confident-Classifiers for Out-of-distribution Detection
University of Waterloo(滑铁卢大学)
只有当输入数据来自训练分布(分布内)时,区分训练的神经分类器才是可信的。因此,检测分布外(OOD)样本对于避免分类错误非常重要。在用于图像分类的OOD检测的上下文中,最近的方法之一提出通过最小化分布内样本上的标准交叉熵损失以及最小化分布内的低密度区域中的OOD样本的预测分布与均匀分布之间的KL发散(最大化输出的熵)来训练被称为“置信度分类器”的分类器。因此,如果样本具有低置信度或高熵,则可以将其检测为OOD。在本文中,我们分析了这种设置从理论和实验。我们的结论是,由此产生的置信度分类器仍然产生任意高的置信度OOD样本远离分布。相反,我们建议通过为OOD样本添加一个显式的“拒绝”类来训练分类器。
2019-04-27 cs.CV cs.LG stat.ML
Out-of-Distribution Detection for LiDAR-based 3D Object Detection
3D目标检测是自动驾驶的重要组成部分,深度神经网络(DNN)在这一任务上已经达到了最先进的性能。然而,深度模型因向分布外(OOD)输入(即不是从训练分布中提取的输入)分配高置信度得分而臭名昭著。检测OOD输入是一个挑战,对于模型的安全部署是必不可少的。OOD检测已经被广泛研究用于分类任务,但是对于目标检测任务,特别是基于LiDAR的3D目标检测,它还没有得到足够的关注。在本文中,我们专注于基于激光雷达的3D目标检测的OOD输入的检测。我们制定了什么OOD输入意味着目标检测,并提出适应几个OOD检测方法的目标检测。我们完成了我们提出的特征提取方法。为了评估OOD检测方法,我们开发了一种简单而有效的技术,为给定的目标检测模型生成OOD对象。基于KITTI数据集的评估表明,不同的OOD检测方法对检测特定的OOD对象有偏见。强调了组合OOD检测方法的重要性,以及在这一方向的进一步研究。
2022-09-28 cs.AI cs.CV cs.LG
Enhancing Out-of-Distribution Detection with Extended Logit Normalization
Linköping University(林霍普大学);Imperial College London(伦敦帝国学院)
本文提出ELogitNorm方法,通过引入特征距离感知损失改进分布外检测并提升分布内置信度校准。
2026-02-23 cs.CV
CMOOD: Concept-based Multi-label OOD Detection
COOD提出了一种基于概念的零样本多标签OOD检测框架,通过增强语义空间和改进评分函数,有效区分复杂标签依赖的OOD样本。
2026-01-28 cs.AI cs.CV cs.LG
Mahalanobis++: Improving OOD Detection via Feature Normalization
针对马氏距离OOD检测性能不稳定的问题,提出对特征进行ℓ2归一化以符合高斯假设,在44个模型上显著且一致地提升检测效果,优于现有方法。
2025-05-23 cs.CV cs.LG
NERO: Explainable Out-of-Distribution Detection with Neuron-level Relevance
NepAl Applied Mathematics and Informatics Institute for research(尼泊尔应用数学与信息技术研究所);West Virginia University(西弗吉尼亚大学);University of Aberdeen(阿伯丁大学)
本文提出NERO,一种基于神经元级相关性的OOD检测评分机制,通过聚类质心和相关性距离度量增强可分离性,并在胃肠道影像基准上超越现有方法。
2025-09-24 cs.CV cs.LG
Dual Conditioned Diffusion Models for Out-Of-Distribution Detection: Application to Fetal Ultrasound Videos
Institute of Biomedical Engineering, University of Oxford(牛津大学生物医学工程研究所);Nuffield Department of Women’s and Reproductive Health, University of Oxford(牛津大学纳菲尔德妇女与生殖健康系)
本文提出双条件扩散模型(DCDM),通过同时以分布内类别信息和输入图像潜在特征为条件约束生成流形,用于胎儿超声视频中的分布外检测,在准确率、精确率和F1分数上均优于参考方法。
2023-11-01 cs.AI cs.CV cs.LG
CRoFT: Robust Fine-Tuning with Concurrent Optimization for OOD Generalization and Open-Set OOD Detection
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
针对视觉语言预训练模型微调时分布偏移问题,提出一种基于能量分数梯度最小化的统一微调框架,同时提升闭集OOD泛化能力和开放集OOD检测性能。
2026-05-26 cs.CV
ProHOC: Probabilistic Hierarchical Out-of-Distribution Classification via Multi-Depth Networks
Saab AB(萨博公司);Chalmers University of Technology(查尔姆斯理工大学)
提出ProHOC框架,利用类别层次结构将OOD检测从二分类扩展为层次化分类,通过多深度网络实现概率模型,在三个数据集上验证了有效性。
2025-03-27 cs.CV cs.LG stat.ML
General-Purpose Multi-Modal OOD Detection Framework
College of William and Mary(威廉玛丽学院);College of Control Science and Engineering(控制科学与工程学院);Zhejiang University(浙江大学);School of Computer Science(计算机学院);Department of Computer Science(计算机系)
本文提出通用弱监督多模态OOD检测框架WOOD,结合二分类器与对比学习并采用Hinge损失和新型评分度量,在多种真实场景中同时实现高精度OOD检测。
2023-07-24 cs.CV cs.LG
Out-of-Distribution Detection with Class Ratio Estimation
University College London(伦敦大学学院);University of Cambridge(剑桥大学);University of Tübingen(图宾根大学);IMPRS-IS(国际马克斯·普朗克智能系统研究学院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
基于密度的分布外(OOD)检测最近已被证明是不可靠的检测OOD图像的任务。各种基于密度比的方法实现了良好的经验性能,但是方法通常缺乏原则性的概率建模解释。在这项工作中,我们提出了一个新的框架下,建立基于能量的模型,并采用不同的基础分布统一的密度比为基础的方法。在我们的框架下,密度比可以被看作是一个隐含的语义分布的未规范化的密度。此外,我们建议通过类比估计直接估计数据样本的密度比。与最近的工作相比,我们报告了OOD图像问题的竞争结果,这些工作需要为任务训练深度生成模型。我们的方法使一个简单而有效的路径解决OOD检测问题。
2022-06-08 cs.CV cs.LG stat.ML
Is Complex Training Necessary for Long-Tailed OOD Detection? A Re-think from Feature Geometry
Nanjing Normal University(南京师范大学)
本文重新审视长尾分布外检测问题,提出通过特征几何方法简化检测过程,改进Mahalanobis距离计算,提升检测性能。
2026-05-18 cs.CV cs.LG
Class Relevance Learning For Out-of-distribution Detection
Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳市人工智能与机器人研究院)
本文提出一种专为OOD检测设计的类相关性学习方法,通过在OOD流程中策略性地利用类间关系建立综合框架,显著增强了检测能力,并在多个数据集上优于现有最先进方案。
2023-09-21 cs.CV cs.LG
Early High-Frequency Injection for Geometry-Sensitive OOD Detection
Nanjing Normal University(南京师范大学)
本文通过带宽分析揭示了高频输入对几何敏感域外检测的重要性,提出EIHF方法在CIFAR-100和ImageNet-100上提升了检测性能,同时揭示了其在场景中心Places迁移上的局限性。
2026-05-20 cs.CV
Data Invariants to Understand Unsupervised Out-of-Distribution Detection
University of Bern(伯尔尼大学)
无监督分布外检测(U-OOD)由于其在关键任务系统中的重要性和比监督检测更广泛的适用性,近年来引起了人们的广泛关注。尽管这种关注的增加,U-OOD方法遭受重要的缺点。通过对不同的基准和图像模式进行大规模评估,我们在这项工作中表明,最流行的最先进的方法无法始终优于基于预训练特征和Mahalanobis距离(MahaAD)的简单异常检测器。这些方法不一致的一个关键原因是缺乏U-OOD的正式描述。出于一个简单的思想实验,我们提出了一个基于训练数据集的不变量的U-OOD的表征。我们展示了这种表征是如何在不知不觉中体现在得分最高的MahaAD方法,从而解释其质量。此外,我们的方法可以用来解释U-OOD探测器的预测,并提供了深入的见解,为评估未来的U-OOD方法的良好实践。
2022-07-21 cs.CV
NECO: NEural Collapse Based Out-of-distribution detection
ENSTA Paris(巴黎国立高等先进技术学院);SafranTech(赛峰科技)
本文提出NECO方法,利用神经坍缩的几何特性与主成分空间进行分布外检测,在多种规模和架构下取得最先进结果,并给出理论解释。
2024-02-27 cs.AI cs.CV cs.LG
Near OOD Detection for Vision-Language Prompt Learning with Contrastive Logit Score
Monash University(莫纳什大学)
本文提出对比logit分数方法,用于提升预训练视觉-语言提示学习模型的近分布外检测性能,无需修改模型结构或重新训练,实验显示在AUROC上提升11.67%。
2026-04-11 cs.CV
A Systematic Comparison of Training Objectives for Out-of-Distribution Detection in Image Classification
本文系统比较了四种图像分类中out-of-distribution检测的训练目标,发现交叉熵损失在近端和远端out-of-distribution表现最一致,其他目标在特定设置中也可竞争。
2026-08-17 cs.AI cs.CV cs.LG
$Δ\mathrm{Energy}$: Optimizing Energy Change During Vision-Language Alignment Improves both OOD Detection and OOD Generalization
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文提出ΔEnergy分数,通过重新对齐视觉-语言模态时的能量变化来同时提升分布外检测和分布外泛化性能,并基于此开发了统一微调框架EBM。
2026-05-25 cs.CV cs.LG
Augmenting Softmax Information for Selective Classification with Out-of-Distribution Data
Imperial College London(帝国理工学院)
在计算机视觉的深度学习领域,检测分布外(OOD)数据是一项受到越来越多研究关注的任务。然而,检测方法的性能通常是在孤立的任务上评估的,而不是同时考虑潜在的下游任务。在这项工作中,我们研究选择性分类OOD数据(SCOD)的存在。也就是说,检测OOD样本的动机是拒绝它们,从而降低它们对预测质量的影响。我们在此任务规范下,现有的事后方法执行完全不同的OOD检测时,只进行评估。这是因为,如果ID数据被错误分类,则将分发中(ID)数据与OOD数据合并不再是问题。然而,正确和不正确预测的ID数据内的合并变得不期望。我们还提出了一种新的方法SCOD,Softmax信息保留组合(SIRC),增强了基于softmax的置信度分数与特征不可知的信息,使他们的能力,以确定OOD样本得到改善,而不牺牲正确和不正确的ID预测之间的分离。在各种ImageNet规模的数据集和卷积神经网络架构上的实验表明,SIRC能够始终匹配或优于SCOD的基线,而现有的OOD检测方法则无法做到这一点。
2023-03-14 cs.AI cs.CV cs.LG
Raising the Bar on the Evaluation of Out-of-Distribution Detection
University of Oxford(牛津大学);Meta AI
在图像分类中,对分布外数据的检测有了很大的发展。然而,大多数OoD检测方法都是在一组标准数据集上进行评估的,这些数据集与训练数据任意不同。没有明确的定义是什么形成了一个“好”的OoD数据集。此外,最先进的OoD检测方法已经在这些标准基准上实现了近乎完美的结果。在本文中,我们定义了2类OoD数据使用的感知/视觉和语义相似性的分布(iD)数据的微妙不同的概念。我们将近OoD样本定义为与iD样本在感知上相似但在语义上不同,而移位样本定义为视觉上不同但在语义上类似于iD数据的点。然后,我们提出了一个基于GAN的框架,用于在给定iD数据集的情况下,从这两个类别中的每一个类别生成OoD样本。通过在MNIST、CIFAR-10/100和ImageNet上进行的大量实验,我们表明:a)在传统基准测试中表现出色的最先进的OoD检测方法对我们提出的基准测试的鲁棒性明显降低。此外,b)在我们的设置上表现良好的模型在传统的现实世界OoD检测基准上也表现良好,反之亦然,从而表明人们甚至可能不需要单独的OoD集合来可靠地评估OoD检测的性能。
2022-09-24 cs.CV cs.LG
T2FNorm: Extremely Simple Scaled Train-time Feature Normalization for OOD Detection
NepAl Applied Mathematics and Informatics Institute (NAAMII)(尼泊尔应用数学与信息学研究所(NAAMII));University College London(伦敦大学学院);West Virginia University(西弗吉尼亚大学);University of Aberdeen(阿伯丁大学)
本文提出T2FNorm,在训练时将特征缩放归一化到超球空间、评分时使用原始空间,从而在不降低ID准确率的前提下增强多种事后OOD检测。
2023-06-08 cs.CV
Detecting when pre-trained nnU-Net models fail silently for Covid-19 lung lesion segmentation
Darmstadt University of Technology(达姆施塔特工业大学);University Hospital Frankfurt(法兰克福大学医院)
计算机断层扫描中肺部病变的自动分割有可能在新冠肺炎大流行期间减轻临床医生的负担。然而,预测性深度学习模型在临床常规中不受信任,因为它在分发外(OOD)数据中会默默失败。我们提出了一个轻量级的OOD检测方法,利用特征空间中的马氏距离。所提出的方法可以无缝集成到最先进的分割管道中,而不需要改变模型架构或训练过程,因此可以用于评估预训练模型对新数据的适用性。我们使用基于补丁的nnU-Net架构验证了我们的方法,该架构使用多机构数据集进行训练,并发现它可以有效地检测模型错误分割的样本。
2021-07-14 cs.CV cs.LG eess.IV
Fine-grain Inference on Out-of-Distribution Data with Hierarchical Classification
Duke University(杜克大学);Air Force Research Laboratory(美国空军研究实验室)
必须信任机器学习方法,以便在现实环境中做出适当的决策,即使面对分发外(OOD)样本也是如此。许多当前的方法只是旨在检测OOD示例,并在给出未识别的输入时提醒用户。然而,当OOD样本与训练数据显著重叠时,二进制异常检测是不可解释的或不可解释的,并且向用户提供很少的信息。我们提出了一种新的OOD检测模型,该模型在不同的粒度级别上进行预测,因为输入变得更加模糊,模型预测变得更粗糙,更保守。考虑一个动物分类器,它遇到了一个未知的鸟类和一辆汽车。这两种情况都是OOD,但是如果分类器认识到它对特定物种的不确定性太大,并且预测鸟类而不是将其检测为OOD,则用户可以获得更多的信息。此外,我们诊断分类器的性能在每个层次结构的层次结构,提高模型预测的可解释性和可解释性。我们证明了分层分类器的细粒度和粗粒度的OOD任务的有效性。
2022-09-09 cs.CV cs.LG
Debiased Negative Mining Improves Out-of-distribution Detection with Pre-trained Vision-Language Models
University of Technology Sydney(悉尼科技大学)
针对分布外检测中负标签的假阴性问题,提出通过间接近似负标签分布来校正采样偏差的理论框架,并转化为基于ID标签和未标注语料数据的蒙特卡洛采样方法,在多种OOD检测设置中达到新最优。
2026-05-22 cs.CV cs.LG
ViM: Out-Of-Distribution with Virtual-logit Matching
SenseTime Research(商汤科技研究院);Qing Yuan Research Institute, Shanghai Jiao Tong University(上海交通大学清源研究院)
大多数现有的OOD检测算法依赖于单个输入源:特征、logit或softmax概率。然而,OOD实例的巨大多样性使得这种方法很脆弱。存在OOD样本,其在特征空间中容易识别,而在logit空间中难以区分,反之亦然。出于这一观察,我们提出了一种新的OOD评分方法命名为虚拟logit匹配(ViM),它结合了来自特征空间的类不可知分数和分布(ID)类相关的logits。具体地,表示虚拟OOD类的附加logit从针对主空间的特征的残差生成,然后通过恒定缩放与原始logit匹配。在softmax之后的这个虚拟logit的概率是OOD性的指标。为了便于评估学术界的大规模OOD检测,我们为ImageNet-1 K创建了一个新的OOD数据集,该数据集是人工注释的,是现有数据集的8.8倍。我们进行了广泛的实验,包括CNN和视觉Transformer,以证明所提出的ViM评分的有效性。特别是,使用BiT-S模型,我们的方法在四个困难的OOD基准上获得了平均AUROC 90.91%,比最佳基线提前了4%。代码和数据集可在https://github.com/haoqiwang/vim上获得。
2022-03-21 cs.CV
TINS: Test-time ID-prototype-separated Negative Semantics Learning for OOD Detection
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Innovation Institute(上海创新研究院);University of Electronic Science and Technology of China(电子科学与技术大学)
TINS通过测试时ID-原型分离负语义学习方法,提升OOD检测性能,实验显示在Four-OOD基准上FPR95显著降低。
2026-05-11 cs.CV
Revisiting Out-of-Distribution Detection in Real-time Object Detection: From Benchmark Pitfalls to a New Mitigation Paradigm
Carl von Ossietzky University of Oldenburg(卡尔·冯·奥西茨基奥尔登堡大学);Chalmers University of Technology(查尔姆斯理工大学);University of Liverpool(利物浦大学);CSX-AI
本文提出了一种新的训练时缓解范式,通过合成数据集减少目标检测中的分布外幻觉问题,有效降低YOLO模型的错误率。
2025-12-31 cs.AI cs.CV cs.SE
Unsupervised out-of-distribution detection for safer robotically guided retinal microsurgery
University of Bern(伯尔尼大学);Preceyes B.V.(Preceyes公司);Bern University Hospital(伯尔尼大学医院)
针对机器人引导视网膜显微手术中iiOCT图像分布外样本可能危及安全的问题,提出基于马氏距离的无监督OoD检测方法MahaAD,可有效检测真实受损样本,性能优于监督方法,无需损伤先验即可保障手术安全。
2023-05-03 cs.CV eess.IV
SPK: Eliciting Structured Prior Knowledge for Interpretable Out-of-Distribution Detection in Real-Time Object Detection
本研究提出SPK框架,从预训练目标检测器中引出结构化先验知识,构建五维表示实现最先进的分布外检测,揭示预训练检测器蕴含丰富潜在知识,为提升目标检测器可靠性提供新路径。
2026-08-20 cs.CV cs.LG
Towards Out-of-Distribution Detection for breast cancer classification in Point-of-Care Ultrasound Imaging
Centre for Mathematical Sciences, Lund University(隆德大学数学中心);Department of Diagnostic Radiology, Translational Medicine, Lund University(隆德大学转化医学系诊断放射学系);Unilabs Mammography Unit, Skåne University Hospital(斯科讷大学医院Unilabs乳腺钼靶检查科)
本文针对床旁超声乳腺癌分类,比较softmax、energy score和deep ensembles三种OOD检测方法,证明deep ensembles在三个OOD数据集上最稳健、整体表现最佳。
2024-02-29 cs.AI cs.CV
GradOrth: A Simple yet Efficient Out-of-Distribution Detection with Orthogonal Projection of Gradients
Bosch Research North America(博世北美研究院);Bosch Center for Artificial Intelligence (BCAI)(博世人工智能中心(BCAI))
提出GradOrth方法,通过计算梯度在分布内数据重要子空间上的正交投影范数来识别分布外数据,显著降低了FPR95。
2023-08-01 cs.CV cs.LG
ImageNet-OOD: Deciphering Modern Out-of-Distribution Detection Algorithms
Princeton University(普林斯顿大学)
本文提出ImageNet-OOD数据集以解耦语义与协变量偏移,发现现有OOD检测器对协变量偏移更敏感,且最新算法在语义偏移检测上收益甚微,为未来设计提供指导。
2024-03-18 cs.CV
Can Your Generative Model Detect Out-of-Distribution Covariate Shift?
Eindhoven University of Technology(埃因霍温理工大学);Philips IGTs(飞利浦IGTs)
本研究针对协变量偏移检测缺乏共识的问题,提出基于条件归一化流的CovariateFlow方法,通过建模高频图像细节检测分布外协变量偏移,在多组数据集上验证了有效性,助力成像系统与OOD检测性能提升。
2024-10-09 cs.AI cs.CV cs.LG
Shifting Transformation Learning for Out-of-Distribution Detection
NVIDIA(英伟达)
检测分布外(OOD)样本在开放世界和安全关键型应用(如自治系统和医疗保健)中起着关键作用。最近,自我监督的表示学习技术(通过对比学习和借口学习)已经显示出有效地提高OOD检测。然而,这种方法的一个主要问题是选择移位变换和借口任务,这取决于域内分布。在本文中,我们提出了一个简单的框架,利用移位变换学习设置来学习训练集的多个移位表示,以改进OOD检测。为了解决选择最佳移位变换和借口任务的问题,我们提出了一种简单的机制,用于自动选择变换并调节它们对表示学习的影响,而不需要任何OOD训练样本。在广泛的实验中,我们证明了我们的简单框架在几个图像数据集上的性能优于最先进的OOD检测模型。我们还描述了一个理想的OOD检测器的标准,为现实世界的应用,并证明了我们提出的技术对国家的最先进的OOD检测技术的功效。
2021-10-08 cs.CV
XOOD: Extreme Value Based Out-Of-Distribution Detection For Image Classification
Louisiana State University(路易斯安那州立大学);Intuit Inc.(财捷公司)
在推理时检测分布外(OOD)数据对于机器学习的许多应用至关重要。我们提出了XOOD:一种新的基于极值的OOD检测框架的图像分类,由两个算法。第一个XOOD-M是完全无监督的,而第二个XOOD-L是自监督的。这两种算法都依赖于神经网络的激活层中的数据极值所捕获的信号,以便区分分布内和OOD实例。我们的实验表明,XOOD-M和XOOD-L优于国家的最先进的OOD检测方法在许多基准数据集的效率和准确性,减少50%的假阳性率(FPR 95),同时提高了一个数量级的推理时间。
2022-08-01 cs.AI cs.CV cs.LG
Out-of-Distribution Detection in Medical Imaging via Diffusion Trajectories
Eindhoven University of Technology(埃因霍温理工大学)
针对医学影像OOD检测现有生成法计算成本高、可靠性差等问题,提出基于SBDDM前向扩散轨迹的无重构方法,仅需5步扩散即可准确评分,泛化性好且性能达SOTA,推理成本大幅降低。
2025-07-31 cs.CV
Full-Spectrum Out-of-Distribution Detection
Nanyang Technological University(南洋理工大学)
现有的分布外(OOD)检测文献明确定义语义转变为OOD的一个标志,但没有一个共识的协变量偏移。经历协变量偏移但未经历语义变化的样本要么被排除在测试集中,要么被视为OOD,这与机器学习的主要目标相矛盾--能够泛化到训练分布之外。在本文中,我们考虑到这两种类型的转变,并引入全谱OOD(FS-OOD)检测,一个更现实的问题设置,既考虑检测语义转变和容忍协变量偏移,并设计了三个基准。这些新的基准测试具有更细粒度的分布分类(即,训练ID、协变量移位ID、近OOD和远OOD),以便更全面地评估算法的优缺点。为了解决FS-OOD检测问题,我们提出了SEM,一个简单的基于特征的语义评分函数。SEM主要由两种概率度量组成:一种是基于包含语义和非语义信息的高层特征,另一种是基于仅捕获非语义图像风格的低层特征统计。通过简单的组合,非语义部分被抵消,这在SEM中只留下语义信息,可以更好地处理FS-OOD检测。在三个新基准上的大量实验表明,SEM显著优于当前最先进的方法。我们的代码和基准测试在https://github.com/Jingkang50/OpenOOD上发布。
2022-04-11 cs.AI cs.CV cs.LG
Relative Energy Learning for LiDAR Out-of-Distribution Detection
The University of Melbourne(墨尔本大学)
提出相对能量学习(REL)框架,利用正负逻辑之间的能量差距作为相对评分函数,并结合轻量级数据合成策略Point Raise,有效提升激光雷达点云中离群点检测性能。
2026-06-01 cs.CV
Distribution Shifts at Scale: Out-of-distribution Detection in Earth Observation
University of the Bundeswehr Munich(慕尼黑联邦国防军大学);Microsoft AI for Good Research Lab(微软AI公益研究院)
本文提出TARDIS后验OOD检测方法,利用特征空间中的ID数据生成代理分布标签并训练二分类器,在EuroSAT和xBD上验证其接近上界的性能,并在地球观测大规模部署中揭示预训练模型行为。
2025-04-08 cs.AI cs.CV cs.LG
DisCoPatch: Taming Adversarially-driven Batch Statistics for Improved Out-of-Distribution Detection
Eindhoven University of Technology(埃因霍温理工大学)
DisCoPatch通过利用对抗驱动的批量统计改进分布外检测,实现高效且准确的检测性能。
2026-01-27 cs.AI cs.CV eess.IV
Multi-layer Aggregation as a key to feature-based OOD detection
Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Inserm(法国国家健康与医学研究院);Grenoble Institut Neurosciences(格勒诺布尔神经科学研究所);Pixyl(Pixyl公司);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院)
本研究在20种约7800个3D MRI的大范围OOD数据上比较了多种基于特征的OOD检测方法,发现多层方法始终优于单层方法,且检测性能高度依赖于底层神经网络架构。
2023-07-28 cs.CV cs.LG eess.IV