基于深度迁移学习的多类新颖性检测
计算机视觉与模式识别
2019-03-07 v1
摘要
我们针对多类新颖性检测问题提出了一种基于迁移学习的解决方案。具体而言,我们提出了一种端到端的基于深度学习的方法,其中我们探究了如何利用外部、分布外数据集中所含知识来提升深度网络在视觉新颖性检测上的性能。我们的方案在标准深度分类网络基础上有两个不同之处。首先,除经典的交叉熵损失外,我们使用一种新颖的损失函数——隶属度损失——来训练网络。其次,我们更有效地利用外部数据集的知识来学习全局负滤波器,即对已知类集合之外的通用物体响应的滤波器。我们表明,对所提网络的最大激活进行阈值化可有效识别新颖物体。在四个公开新颖性检测数据集上的大量实验表明,所提方法相比当前最优(state-of-the-art)方法取得了显著改进。
引用
@article{arxiv.1903.02196,
title = {Deep Transfer Learning for Multiple Class Novelty Detection},
author = {Pramuditha Perera and Vishal M. Patel},
journal= {arXiv preprint arXiv:1903.02196},
year = {2019}
}
备注
CVPR 2019 Accepted Paper