【计算机视觉前沿研究 热点 顶会】CVPR 2024中与域适应、分布外目标检测相关的论文

测试时间线性分布外检测

分布外（ OOD）检测旨在通过在输入样本显著偏离训练分布（分布中）时触发警报来解决神经网络的过度置信度预测，这表明输出可能不可靠。当前的 OOD 检测方法探索各种线索来识别 OOD 数据，例如在特征空间 logit 空间梯度空间或原始图像空间中发现不规则模式。令人惊讶的是，我们在几个数据集上观察到当前 OOD 检测算法产生的 OOD 分数与网络特征之间的线性趋势。我们从理论和经验上进行了深入的研究，以分析和理解 OOD 检测中这种线性趋势的含义。本文提出了一种鲁棒测试时间线性方法（RTL），当我们有一批数据来执行 OOD 检测时，可以像“免费午餐”一样利用这种线性趋势。

CORES：基于卷积响应的分布外检测分数

深度神经网络（ DNN）在遇到分布外（ OOD）样本时往往表现出过度自信，这在现实世界的应用中带来了重大挑战。利用卷积核上的响应对于分布内（ ID）样本通常比 OOD 样本更明显的观察结果，本文提出了基于卷积核响应的分数（CORES）来利用这些差异进行 OOD 检测。

房间里的一只吵闹的大象：您的分布外检测器对标记噪音是否稳健？

检测不熟悉或意外图像的能力对于计算机视觉系统的安全部署至关重要。在分类的背景下，检测模型训练域之外的图像的任务称为分布外(OOD)检测。虽然人们对开发后自组织 OOD 检测方法的研究兴趣越来越大，但对于这些方法在底层分类器没有在干净、精心挑选的数据集上进行训练时如何执行的讨论相对较少。在这项工作中，我们在(更现实的)场景中更仔细地研究了 20 种最先进的 OOD 检测方法，其中用于训练底层分类器的标签是不可靠的(例如