动态应对动态：一种开集自学习框架

在开集识别中，现有方法通常利用已知类学习静态固定的决策边界以拒绝未知类。尽管它们取得了可喜的成果，但对于动态开放场景中普遍存在的未知类而言，此类决策边界显然是不充分的，因为它们可能出现在特征空间中的任意位置。此外，这些方法在测试期间仅简单拒绝未知类样本，而未对其进行有效利用。事实上，这些样本完全可以构成未知类的真实实例化表示，以进一步提升模型性能。为解决这些问题，本文提出了一种新颖的“动态应对动态”思想，即以动态方法应对动态变化的开集世界，并相应地开发了一种开集自学习（OSSL）框架。OSSL 以一个由已知类训练的良好闭集分类器为起点，并在测试期间利用可用的测试样本进行模型自适应，从而获得对变化数据分布的适应能力。特别地，我们为 OSSL 设计了一种新颖的自匹配模块，该模块能够在自动识别已知类样本的同时拒绝未知类样本，从而实现自适应，并将被拒绝的未知类样本作为未知类的实例化表示加以利用，以增强模型的判别能力。我们的方法在几乎所有标准和跨数据基准上均分别确立了新的性能里程碑。