摘要
分布外（Out-of-Distribution, OOD）检测在神经网络的实际部署中受到广泛研究，尤其是在安全关键型应用场景中具有重要意义。然而，在大规模数据集上实现OOD检测更贴近现实需求，同时也面临更大挑战。现有多种方法通常需要访问训练数据以设计得分函数，或在训练过程中引入异常样本，这限制了其适用性。尽管部分后处理（post-hoc）方法可避免上述限制，但其性能往往不够理想。本文提出一种通用熵得分（Generalized ENtropy score, GEN），这是一种简单但高效的基于熵的得分函数，可适用于任何预训练的基于Softmax的分类器。在大规模ImageNet-1k OOD检测基准上的实验表明，GEN在六种常用的基于CNN和视觉Transformer的分类器上，持续优于多项前沿的后处理方法，平均AUROC提升至少3.5%。此外，我们将GEN与基于特征增强的方法以及利用训练统计信息的方法结合，进一步提升了OOD检测性能。相关代码已开源，地址为：https://github.com/XixiLiu95/GEN。