異常檢測方法可以識别偏離資料集正常行為的樣本。它通常是針對包含多個标簽類的正常資料的訓練集或單一的無标簽類的訓練集。目前的方法在面對由多個類組成但沒有标簽的訓練資料時很困難。在這項工作中，我們首先發現通過自我監督的圖像聚類方法學習的分類器為無标簽的多類資料集的異常檢測提供了一個強大的基線。也許令人驚訝的是，我們發現用預先訓練的特征初始化聚類方法并不能改善其自我監督的對應方法。相反，我們建議采用兩個階段的方法。我們首先使用自監督的方法對圖像進行聚類，并為每張圖像獲得一個聚類标簽。我們使用聚類标簽作為分布外（OOD）方法的 "僞監督"。具體來說，我們在按聚類标簽對圖像進行分類的任務上對訓練過的特征進行了微調。我們對我們的方法進行了廣泛的分析，并證明了我們兩階段方法的必要性。我們對該方法與最先進的自我監督和預訓練方法進行了評估，并證明了其優越性。
《Out-of-Distribution Detection without Class Labels》
論文位址:http://arxiv.org/abs/2112.07662v1
