本研究提出了一种改进基于像素 softmax 熵的方法的两步流程，通过引入第二个训练目标，最大化对不同数据集的 softmax 熵，并利用手工创造的 Metric 从 softmax 概率得出透明的后处理步骤来降低误检率，从而提高深度神经网络的 OoD 检测性能。

Dec, 2020

本文提出了一种名为 ObsNet 的 OOD 检测体系结构，通过基于局部对抗攻击（LAA）的专用训练方案，实现了在速度和精度方面得到表现的最佳方法，解决了当前方法在实际应用中速度和精度快慢两难的问题。

Aug, 2021

本文提出了一种针对视觉分类中的开放世界场景中的数据分割问题的新方法，该方法能够训练出一个专门针对原始训练集以及更大的 “背景” 数据集的 ODD（出现在分布之外的异常值）检测模型，并在测试复杂自然图像的数据集中得到了优异的表现。

Aug, 2018

深度学习在全景分割方面取得了显著进展，但是全景分割在存在分布外（OOD）对象的情况下受到严重影响。为了解决这个问题，我们提出了一种用于联合像素级语义内部分布和分布外分类的分割方法。我们基于 Panoptic 分割基准数据集 Cityscapes 和 BDD100K，扩展了具有分布外实例分割注释的数据集，并提出了合适的评估指标和多个强基线模型。重要的是，我们提出了新颖的 PoDS 架构，包括共享的主干网络、用于学习全局和局部 OOD 对象线索的 OOD 上下文模块，以及使用我们的对齐 - 不匹配策略的双对称解码器和任务特定头。结合我们的数据增强策略，这种方法有助于逐步学习分布外对象并保持内部分布性能。我们进行了大量评估实验证明我们提出的 PoDS 网络可以有效地解决主要挑战并显著优于基线模型。我们在此 http 链接上公开提供数据集、代码和训练好的模型。

Oct, 2023

本文通过在不同的数据集上使用深度学习的方法，实现了以城市街道场景为基础的图像识别模型对于不同场景下的物体进行准确分类和目标检测，并且通过对于特征向量的提取和降维，成功实现了基于图像碎片的图像检索和分割。

May, 2020

本文提出了一种开放领域语义分割系统，包括两个模块：一个开放集语义分割模块来检测分布内及分布外的目标对象，和一个少样本学习模块来逐渐将这些边缘领域对象纳入已有知识库。我们采用深度度量学习网络 (DMLNet) 与对比聚类来实现开放集语义分割。相比于其他开放集语义分割方法，在三个具有挑战性的数据集上表现出最先进的性能。此外，本文还提出了两个增量少样本学习方法来逐步提高 DMLNet 的性能。

Aug, 2021

本文探索了 out-of-distribution segmentation 任务，提出了一种名为 MOoSe 的策略，能够有效地运用语义分割模型中所表示的各种上下文信息，从而提高 OoD 检测和不确定性预测的性能。

Aug, 2022

该研究提出了一种简单而有效的元学习方法，将神经网络用于小数据量的内部分布中，通过概率密度估计在潜空间中检测 OoD，并使用高斯混合模型进行密度估计，通过最大化 likelihood 来适应每个任务中的内部分布数据，并在六个数据集上展示了该方法的优越性。

Jun, 2022

我们提出了一种新颖且更现实的设置，称为连续自适应离群分布检测（CAOOD），旨在开发一种能够适应动态和迅速适应新到达分布的离群分布检测模型，并且在部署期间具有不足的 ID 样本。通过设计学习和适应图表，我们开发了元离群学习（MOL），在训练过程中学习到了一个良好初始化的离群分布检测模型。在测试过程中，MOL 通过少量适应快速调整到新的分布，从而确保在不断变化的分布上具有离群分布检测性能。对几个离群分布基准测试的广泛实验证明了我们方法在保持 ID 分类准确性和离群分布检测性能方面的有效性。

Sep, 2023

本论文提出了一种新的概率框架模型和一种无需 OOD 数据的自监督抽样模型 (SSOD)，以解决现有研究中的问题，并展示了这些模型在大规模基准测试上具有领先的性能.

Jul, 2023