面向开放集识别的难度感知模拟器
计算机视觉与模式识别
2022-07-21 v1
摘要
开放集识别（OSR）假设在推理时未知实例突然显现。OSR 的主要挑战在于模型对未知样本的反应完全不可预测。此外，开放集的多样性使其更困难，因为实例具有不同难度级别。因此，我们提出一种新颖框架——难度感知模拟器（DIAS），它生成具有多样难度级别的伪样本以模拟真实世界。我们首先从分类器视角考察生成对抗网络（GAN）生成的伪样本，并观察到这些并不极具挑战性。这引导我们通过将 GAN 生成的样本视为中等难度来定义难度准则。为产生高难度示例，我们引入 Copycat，模仿分类器的行为。此外，中等与低难度样本也分别由我们改进的 GAN 与 Copycat 产生。结果表明，DIAS 在 AUROC 与 F-score 两项指标上均优于最先进方法。我们的代码见 https://github.com/wjun0830/Difficulty-Aware-Simulator。
引用
@article{arxiv.2207.10024,
title = {Difficulty-Aware Simulator for Open Set Recognition},
author = {WonJun Moon and Junho Park and Hyun Seok Seong and Cheol-Ho Cho and Jae-Pil Heo},
journal= {arXiv preprint arXiv:2207.10024},
year = {2022}
}
备注
Accepted to ECCV 2022. Code is available at github.com/wjun0830/Difficulty-Aware-Simulator