从空间特征重要性视角提升分布外检测性能的研究 研究背景与问题提出 在深度学习模型的实际应用中，确保模型在面对未知类别的输入时能够可靠地拒绝预测，是保障系统安全性和鲁棒性的关键。这一需求催生了分布外检测（Out-of-Distribution Detection, OOD Detection）的研究领域。OOD检测旨在区分模型训练数据分布范围内的样本（即分布内样本，In-Distribution, ID）和超出该范围的样本（即分布外样本，Out-of-Distribution）。近年来，研究者提出了多种检测准则，如MSP（Maximum Softmax Probability）、Energy Score、GradNorm等，以构建模型的拒绝区域，并将落入该区域的样本识别为分布外样本。 然而，现...

GL-MCM: 全局与局部最大概念匹配用于零样本分布外检测 研究背景与问题提出 在现实世界中，机器学习模型的应用环境往往面临数据分布的变化，例如新类别的出现。这种现象被称为“分布外检测”（Out-of-Distribution Detection, OOD）。为了确保模型在未知数据上的可靠性，OOD 检测成为一项关键任务。然而，传统的单模态监督学习方法虽然在特定任务上表现良好，但其训练成本高昂，且难以适应多样化的应用场景。 近年来，基于 CLIP（Contrastive Language–Image Pre-training）的零样本分布外检测方法引起了广泛关注。CLIP 是一种多模态预训练模型，能够通过自然语言监督学习视觉特征。尽管现有方法如 MCM（Maximum Concept Mat...