用于开集识别的条件变分胶囊网络
计算机视觉与模式识别
2021-08-19 v2 人工智能
机器学习
摘要
在开集识别中，分类器必须检测在训练时未知的类。为了识别新类别，分类器必须将已知类的输入样本投影到特征空间中非常紧凑且分离的区域，以区分未知类的样本。近来提出的胶囊网络（Capsule Networks）已在许多领域（尤其是图像识别）表现出优于替代方法的性能，但尚未充分应用于开集识别。在胶囊网络中，标量神经元被胶囊向量或矩阵取代，其元素表示对象的不同属性。在我们的方案中，训练期间鼓励同一已知类的胶囊特征匹配预定义的高斯分布（每类一个）。为此，我们使用变分自编码器框架，以一组高斯先验作为后验分布的近似。通过这种方式，我们能够控制同类特征围绕高斯中心分布的紧凑程度，从而控制分类器检测未知类样本的能力。我们进行了若干实验及模型消融，在开集识别和未知检测任务的不同数据集上取得了最先进（state of the art）的结果。
引用
@article{arxiv.2104.09159,
title = {Conditional Variational Capsule Network for Open Set Recognition},
author = {Yunrui Guo and Guglielmo Camporese and Wenjing Yang and Alessandro Sperduti and Lamberto Ballan},
journal= {arXiv preprint arXiv:2104.09159},
year = {2021}
}
备注
Accepted to ICCV 2021