类锚聚类：一种用于基于距离的开集识别的损失函数
计算机视觉与模式识别
2021-03-04 v3
摘要
在开集识别中，深度神经网络会遇到训练期间未知的物体类别。现有的开集分类器通过度量网络 logit 空间中的距离来区分已知与未知类别，假设已知类别比未知类别更靠近训练数据聚类。然而，这种方法被事后应用于以交叉熵损失训练的网络，并不能保证此种聚类行为。为克服该局限，我们引入类锚聚类（CAC）损失。CAC 是一种基于距离的损失，显式地训练已知类别在 logit 空间中围绕锚定的类相关中心形成紧密簇。我们表明，使用 CAC 训练在所有六个标准基准数据集上实现了基于距离的开集分类器的最优性能，在具有挑战性的 TinyImageNet 上 AUROC 提升 15.2%，且不牺牲分类精度。我们还表明，我们的锚定类中心比学习的类中心取得更高的开集性能，尤其在基于物体的数据集和大量训练类别上。
引用
@article{arxiv.2004.02434,
title = {Class Anchor Clustering: a Loss for Distance-based Open Set Recognition},
author = {Dimity Miller and Niko Sünderhauf and Michael Milford and Feras Dayoub},
journal= {arXiv preprint arXiv:2004.02434},
year = {2021}
}
备注
Published at 2021 IEEE Winter Conference on Applications of Computer Vision (WACV)