开放集识别中的众生平等

在开放集识别 (OSR) 中，一种有前景的策略是利用给定 $K$ 个已知类之外的伪未知数据作为额外的第 $K$+$1$ 类，以显式建模潜在的开放空间。然而，由于未知类的类别无关性和尺度无关性，不加区分地对待未知类使其相对于已知类而言是不平等的。这不仅不可避免地破坏了未知类的固有分布，还导致了已知类与未知类之间的类间和实例间不平衡。理想情况下，OSR 问题应将整个类空间建模为 $K$+$\infty$，但枚举所有未知类是不切实际的。由于 OSR 的核心是有效建模已知类的边界，这意味着仅关注接近目标已知类边界的未知类似乎就足够了。因此，作为一种折中方案，我们利用一个新概念——目标感知 Universum (TAU)，将开放类从无限个转化为 $K$ 个，并提出了一种简单而有效的框架——基于目标感知 Universum 的双对比学习 (DCTAU)。具体而言，在目标已知类的引导下，TAU 自动将未知类从之前的 $1$ 个扩展到 $K$ 个，有效缓解了上述分布破坏和失衡问题。然后，设计了一种新颖的双对比 (DC) 损失，其中所有实例无论属于已知类还是 TAU，均被视为正样本以与各自的负样本进行对比。实验结果表明，DCTAU 创造了新的 SOTA。