TCSVT 2024 | CKDH：基于CLIP的跨模态检索知识蒸馏哈希算法

主要观点总结

本文介绍了提出的一种用于分布外检测的新方法，包括其创新点、方法概述、实验等。该方法基于特征掩码和对数几率平滑策略，旨在降低分布外数据的特征激活，扩大分布内和分布外数据得分差距，提高神经网络对OOD数据的检测能力。

关键观点总结

关键观点1: 论文标题和作者

论文名为《Classifier-Head Informed Feature Masking and Prototype-Based Logit Smoothing for Out-of-Distribution Detection》，作者是Zhuohao Sun、Yiqiao Qiu、Zhijun Tan、Weishi Zheng和Ruixuan Wang。

关键观点2: 论文创新点

提出名为HIMPLoS的分布外检测方法，结合特征掩码策略和对数几率平滑策略，减少分布外数据的特征激活，扩大分布内和分布外数据得分差距。

关键观点3: 特征掩码策略

基于分类器头的权重，为每个分布内类确定倒数第二层的重要特征，屏蔽其他特征，减少分布外数据的特征激活。

关键观点4: 对数几率平滑策略

利用测试数据特征向量与预测分布内类原型的余弦相似度来调整输出层的对数几率向量，减轻网络对分布外数据的过度自信预测。

关键观点5: 实验验证

在多个标准OOD检测基准测试上验证了方法的有效性和泛化性，与现有方法兼容，能提升其他方法性能。