面向开放集识别的类特定语义重构
计算机视觉与模式识别
2022-07-06 v1
摘要
开放集识别使深度神经网络(DNNs)能够识别未知类别的样本,同时在已知类别样本上保持较高的分类准确率。基于自编码器(AE)与原型学习的现有方法在处理这一挑战性任务时展现出巨大潜力。在本研究中,我们提出一种名为类特定语义重构(CSSR)的新方法,该方法融合了AE与原型学习的优势。具体而言,CSSR以类特定AE所表示的流形取代原型点。与传统的基于原型的方法不同,CSSR在每个独立的AE流形上对已知类建模,并通过AE的重构误差度量类归属度。类特定AE被插入DNN主干网络的顶端,重构由DNN学习到的语义表示而非原始图像。通过端到端学习,DNN与AE相互促进,以学习兼具判别性与代表性的信息。在多个数据集上进行的实验结果表明,所提方法在封闭集与开放集识别中均取得了优异性能,且十分简洁灵活,可便捷地集成至现有框架中。
引用
@article{arxiv.2207.02158,
title = {Class-Specific Semantic Reconstruction for Open Set Recognition},
author = {Hongzhi Huang and Yu Wang and Qinghua Hu and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:2207.02158},
year = {2022}
}
备注
14 pages, 10 figures,