利用空类检测新类别
计算机视觉与模式识别
2023-05-03 v1
摘要
对于开放世界应用，深度神经网络（DNNs）需要能够感知此前未见过的数据，并适应不断变化的环境。此外，期望以无监督方式检测并学习未包含在 DNNs 底层语义类别集合中的新类。本文提出的方法基于异常检测来检索分布外（OoD）数据，将其作为新类别的候选。此后，我们通过增加 个空类来扩展 DNN，并在 OoD 数据样本上对其进行微调。为此，我们引入两个损失函数：1）促使 DNN 将 OoD 样本分配给空类；2）最小化这些样本之间的类内特征距离。因此，DNN 所获得的并非包含不同新类标签的真实标注，而是一个单一的 OoD 标签以及预先计算的距离矩阵。我们在图像分类与语义分割上进行了若干实验，表明 DNN 可在无真实标注的情况下扩展自身的语义空间至多类。
引用
@article{arxiv.2305.00983,
title = {Detecting Novelties with Empty Classes},
author = {Svenja Uhlemeyer and Julian Lienen and Eyke Hüllermeier and Hanno Gottschalk},
journal= {arXiv preprint arXiv:2305.00983},
year = {2023}
}
备注
13 pages, 13 figures, 4 tables