CA2：用于一类分类的类别无关自适应特征适配
计算机视觉与模式识别
2023-09-06 v1 机器学习
摘要
一类分类（OCC），即判断样本是否与训练数据同分布，对机器学习模型在真实世界的部署至关重要。将预训练特征在目标数据集上适配已被证明是提升 OCC 性能的有效范式。现有方法受限于关于类别数的假设，这与类别数未知的真实场景相悖。本工作中，我们提出一种简单的类别无关自适应特征适配方法（CA2）。我们将基于中心的方法推广至未知类别，并基于预训练网络中存在的先验（即属于同一类的预训练特征相邻）优化该目标。CA2 被验证在从 1 到 1024 的训练数据类别范围内一致地提升 OCC 性能，优于当前最先进方法。代码见 https://github.com/zhangzilongc/CA2。
引用
@article{arxiv.2309.01483,
title = {CA2: Class-Agnostic Adaptive Feature Adaptation for One-class Classification},
author = {Zilong Zhang and Zhibin Zhao and Deyu Meng and Xingwu Zhang and Xuefeng Chen},
journal= {arXiv preprint arXiv:2309.01483},
year = {2023}
}
备注
Submit to AAAI 2024