通过调制表示学习提升开集识别性能
计算机视觉与模式识别
2025-09-30 v2 机器学习
摘要
开集识别（OSR）问题旨在识别来自训练类别之外的新型语义类的测试样本，这在许多实际场景中都是一项关键任务。然而，现有的OSR方法在应用损失函数前使用常数缩放因子（温度）对logits进行处理，这阻碍了模型在表示学习中探索从实例级到语义级特征的两个极限。本文通过采用一组提出的温度计划，包括我们 novel 的负余弦计划，来实现温度调制表示学习。我们的温度计划允许模型在训练初期通过聚焦较少的邻居形成粗糙的决策边界，并逐渐优先考虑更多邻居以平滑粗糙的边缘。这种渐进的任务切换导致更丰富且更具可 generalization 的表示空间。虽然其他OSR方法通过包含正则化或辅助负样本（例如使用混合增强）可获益，从而增加显著的计算开销，但我们的计划可无缝集成到任何现有的OSR损失函数中，无需额外开销。我们在交叉熵、对比和ARPL损失函数之上实现了该计划，对多个基线进行实验，发现它在大多数情况下都能提升OSR和封闭集性能，尤其是在更具挑战性的语义漂移基准测试上。项目代码将公开。
引用
@article{arxiv.2505.18137,
title = {Boosting Open Set Recognition Performance through Modulated Representation Learning},
author = {Amit Kumar Kundu and Vaishnavi S Patil and Joseph Jaja},
journal= {arXiv preprint arXiv:2505.18137},
year = {2025}
}