一种用于开集图像识别的新型网络训练方法
计算机视觉与模式识别
2021-10-04 v1
摘要
卷积神经网络（CNNs）通常为闭集配置而设计，其中测试实例仅属于训练中使用的一些“已知已知”（KK）类。因此，它们基于 KK 类的分布为测试样本预测类标签。然而，当在开集识别（OSR）设置下使用时（其中输入可能属于“未知未知”或 UU 类），这样的网络总是将测试实例分类为 KK 类之一，即使它来自 UU 类。作为解决方案，最近使用了基于生成对抗网络（GAN）的数据增强。在这项工作中，我们提出了一种挖掘“已知未知训练器”或 KUT 集的新方法，并设计了一个深度 OSR 网络（OSRNet）来利用该数据集。目标是通过 KUT 集向 OSRNet 传授 UU 的本质，KUT 集实际上是挖掘出的“困难已知未知负样本”的集合。一旦训练完成，OSRNet 能够在保持 KK 类高分类准确率的同时检测 UU 类。我们在六个基准数据集上评估了 OSRNet，并证明它优于当代的 OSR 方法。
引用
@article{arxiv.2109.12756,
title = {A novel network training approach for open set image recognition},
author = {Md Tahmid Hossain and Shyh Wei Teng and Guojun Lu and Ferdous Sohel},
journal= {arXiv preprint arXiv:2109.12756},
year = {2021}
}