房间里的喧嚣大象：你的离群检测器对标签噪声是否鲁棒？
内容提要
本文评估了多种基于置信度的OOD检测方法在医学成像中的表现，发现计算机视觉任务的高性能不一定适用于医学领域。同时，提出了使用辅助分类器检测和重新标注受污染数据的方法，显著提升了卷积神经网络的性能。研究还探讨了开放世界场景中的数据分割新方法和基于混合数据的OOD检测框架，展示了在多个基准数据集上的优异表现。
延伸解读
医学影像中的OOD检测：CV高性能未必适用
文章通过对比研究指出，在计算机视觉基准上表现优异的基于置信度的OOD检测方法，在胸部X线疾病分类任务中并不直接转化为高准确性。这提示医学影像领域需专门开发OOD检测方法，不能简单套用CV结论。
标签噪声处理：辅助分类器检测与重标注
针对数据集受分布外污染的问题，文章提出使用辅助分类器检测并重新标注污染数据，在FSDnoisy18k音频数据集上显著提升了卷积神经网络性能。该方法为噪声标签学习提供了新思路，且与其他抗噪技术相比具有竞争力。
开放世界与混合数据框架：提升野外部署鲁棒性
文章探讨了开放世界场景下的数据分割新方法，能训练出针对原始训练集和更大背景数据集的OOD检测模型。同时，基于混合数据的框架通过最大化检测率并约束分类误差，提升了模型在野外部署的OOD检测能力。
过度自信与拒绝类别：分类器改进方向
研究发现深度神经网络对分布外数据可能产生过度自信预测。有工作建议新增“拒绝”类别来训练分类器，以提高OOD检测准确性。此外，ODPC方法通过生成具有ID语义的OOD对等类，改善了类别边界清晰度，取得了最先进结果。
Q&A
什么是OOD检测，它在医学成像中的表现如何？
OOD检测是用于识别分布外数据的方法，研究发现其在医学成像中的表现不如在计算机视觉任务中的高性能。
如何提高卷积神经网络在处理污染数据时的性能？
可以通过使用辅助分类器来检测和重新标注污染数据，从而显著提升卷积神经网络的性能。
开放世界场景中的数据分割新方法是什么？
该方法能够训练出专门针对原始训练集和更大背景数据集的OOD检测模型，并在复杂自然图像测试中表现优异。
ODPC方法如何改善OOD检测的效果？
ODPC方法通过生成具有ID语义的OOD对等类，利用对比损失学习紧凑的ID类别表示，从而改善不同类别之间的界限清晰度。
深度神经网络在处理分布外数据时可能出现什么问题？
深度神经网络在处理分布外数据时可能产生过度自信的预测，这可能导致错误的分类结果。
如何通过类相关性学习增强OOD检测能力？
通过策略性地利用类间关系，创新的类相关性学习方法显著增强了OOD检测能力，优于现有技术。
