Tag · 3 篇

等角紧框架

分布自监督与表征学习1目标检测与定位1视觉语言模型1

Geometry-driven OOD Detectors Are Class-Incremental Learners

把每个任务的分类头改造成基于固定 ETF 锚点的几何空间，使分类头同时具备 IND 识别与 OOD 拒识能力，从而让 CIL 无需额外的任务推断或 logit 校准；这套「几何化检测头 + ArcFace 收紧类内」的做法可直接迁移到视觉分类器的开放世界增量部署与 OOD 拒识场景。

Detecting Unknown Objects via Energy-based Separation for Open World Object Detection

用 ETF 构造正交子空间、并同时利用已知/未知两个空间的能量分数来分离未知目标，这一思路可直接迁移到开放词表检测与 OOD 目标发现中的未知判别头设计；EKD 损失对旧/新分类器施加分离约束，也可用于缓解增量检测中的新旧类知识干扰。

Cluster-Aware Neural Collapse Prompt Tuning for Long-Tailed Generalization of Vision-Language Models

把神经坍缩的 ETF 几何约束引入提示词微调，用聚类级局部约束替代全局约束，为在类不平衡数据上微调 VLM 时保住尾类判别力提供了一个可复用的损失设计思路。