数据驱动的分层开集识别
计算机视觉与模式识别
2024-11-06 v1 机器学习
摘要
本文提出了一种新颖的数据驱动分层方法，用于开集识别（OSR），以实现机器人和计算机视觉中的鲁棒感知。该方法利用约束凝聚聚类在嵌入空间中自动构建已知类别的层次结构，无需手动关系信息。该方法在Animals with Attributes 2（AwA2）数据集上进行了验证，取得了具有竞争力的结果，AUC ROC得分为0.82，效用得分为0.85，同时引入了两种分类方法（基于分数和基于遍历）以及一种新的集中度中心性（CC）度量，用于衡量分层分类的一致性。尽管在准确率上并未超越现有模型，但该方法通过自动生成的层次结构为未知类别提供了有价值的额外信息，仅需典型监督模型所需的补充信息之外无需任何额外信息，并引入了类别集中度中心性（CCC）度量用于评估未知类别放置的一致性，未来工作旨在提高准确率、验证CC度量并扩展到ImageNet的大规模开集分类协议。
引用
@article{arxiv.2411.02635,
title = {Data-Driven Hierarchical Open Set Recognition},
author = {Andrew Hannum and Max Conway and Mario Lopez and André Harrison},
journal= {arXiv preprint arXiv:2411.02635},
year = {2024}
}
备注
Accepted as Extended Abstract to the IEEE ICRA@40 2024