面向开集识别的分类-重构学习
计算机视觉与模式识别
2019-10-08 v3
摘要
开集分类是处理训练数据集中未包含的“未知”类的问题，而传统分类器假设测试环境中仅出现已知类。现有的开集分类器依赖于在训练集的已知类上以监督方式训练的深度网络；这导致所学表征专门化于已知类，并使得难以区分未知与已知。相反，我们训练网络对输入数据进行联合分类与重构。这增强了所学表征，以保留有助于分离未知与已知以及判别已知类的信息。我们新颖的面向开集识别的分类-重构学习（CROSR）利用潜表征进行重构，并实现鲁棒的未知检测而不损害已知类分类精度。大量实验表明，所提方法在多个标准数据集上优于现有的深度开集分类器，并对多样化离群值具有鲁棒性。代码可在 https://nae-lab.org/~rei/research/crosr/ 获取。
引用
@article{arxiv.1812.04246,
title = {Classification-Reconstruction Learning for Open-Set Recognition},
author = {Ryota Yoshihashi and Wen Shao and Rei Kawakami and Shaodi You and Makoto Iida and Takeshi Naemura},
journal= {arXiv preprint arXiv:1812.04246},
year = {2019}
}
备注
11 pages, 7 figures