图片速览 OOD用于零样本 OOD 检测的 CLIPN：教 CLIP 说不

PAPER	CODE
https://arxiv.org/pdf/2308.12213v2.pdf	https://github.com/xmed-lab/clipn

文章创新 以往由CLIP驱动的零样本OOD检测方法，只需要ID的类名，受到的关注较少。 本文提出了一种新的方法，即CLIP说“不”（CLIPN），它赋予了CLIP中说“不”的逻辑。

主要动机 我们的主要动机是使 CLIP 能够使用积极语义提示和否定语义提示来区分 OOD 和 ID 样本。

实现方法 具体来说，我们设计了一种新颖的可学习的“不”提示和“不”文本编码器，以捕获图像中的否定语义。随后，我们引入了两个损失函数：图像文本二进制相反的损失和文本语义相反的损失，我们用它来教导 CLIPN 将图像与“否”提示相关联，从而使其能够识别未知样本。此外，我们提出了两种无阈值推理算法，利用来自“no”提示和文本编码器的否定语义来执行 OOD 检测。

实验结果 在9个基准数据集（3个ID数据集和6个OOD数据集）上用于OOD检测任务的实验结果表明，基于ViT-B-16的CLIPN在ImageNet-1K上零样本OOD检测方面，在AUROC和FPR95方面比7种常用算法至少高出2.34%和11.64%。

????????标准OOD检测算法和所提出的CLIPN之间的特征空间的玩具比较图。我们的方法涉及一个“否”逻辑，它提供了一个新的特征空间（黄色区域）来直接识别 OOD 样本。定性实验可视化如图所示。

????????用于确定原始 CLIP 缺少“否”逻辑的示例插图。如图（a）所示，给定一个狗图像和一个猫图像，我们设计了四组提示。两组包含带有(with,of,having)狗(或猫)的照片的类提示，而另外两组使用“no()”提示的照片。我们在 CLIP 上进行了一项实验，将图像与四个提示相匹配。不幸的是，结果显示 CLIP 无法准确匹配图像，这意味着它缺乏“无”逻辑;

????????CLIPN 的推理流水线。它由三个网络组成：图像编码器、文本编码器和带有可学习的“no”提示 ρ 的“no”文本编码器。在推理阶段，使用两个文本编码器共同确定结果。这里的 ID 类是牛、猫、鱼，OOD 类是狗。

????????（1）图像编码器$\phi$： CLIPN 的图像编码器φ与预训练 CLIP 的图像编码器保持相同的结构和参数。（2）文本编码器$\psi$： CLIPN的文本编码器ψ与预训练的CLIP的文本编码器保持相同的结构和参数。（3）“no”文本编码器${\psi }^{"no"}$： 由预训练的CLIP的文本编码器初始化。但与ψ的区别在于我们设置了${\psi }^{"no"}$可学习。

????????匹配 x 和 $t^{"no"}$ 的图示。绿色和粉红色框分别表示标准文本 t 和“否”文本$t^{"no"}$ 。$m(x_i，t_j^{"no"})=1$ 表示它们匹配但不相关（即，“no”文本不是错误的描述，但在语义上无关紧要）。$m(x_i，t_j^{"no"})=0$ 表示它们是反向匹配的（即，“no”文本与图像具有相反的语义）。

Image-Text Binary-Opposite Loss (ITBO) 此损失函数可帮助模型将图像特征与正确的“否”文本特征进行匹配。第 i 个图像和第 j 个“no”文本之间的匹配度可以定义如下：

????????其中 m（x， t） = 0 表示它们反向匹配，m（x， t） = 1 表示它们匹配但不相关。然后我们驱动CLIPN 来匹配图像和no文本，以匹配性为指导。损失表述为：

Text Semantic-Opposite Loss (TSO) 在特征空间中，g也应该彼此相距较远: