基于典型特征的分布外检测性能提升

分布外（Out-of-Distribution, OOD）检测是保障深度神经网络在现实场景中可靠性与安全性的关键任务。与以往多数方法聚焦于设计OOD评分或引入多样化的异常样本以重新训练模型不同，本文从典型性（typicality）的视角深入分析OOD检测中的障碍因素，将深度模型特征的高概率区域视为特征的典型集（typical set）。我们提出将特征修正至其典型集，并基于典型特征计算OOD得分，从而实现可靠的不确定性估计。该特征修正过程可作为即插即用（plug-and-play）模块，兼容多种不同的OOD评分方法。我们在常用基准（CIFAR）以及更具挑战性的高分辨率、大规模类别空间基准（ImageNet）上验证了所提方法的优越性。值得注意的是，在ImageNet基准上，我们的方法在平均FPR95指标上相较当前最优方法最高提升了5.11%。