通过模糊不确定性校准和视图去偏增强多视图开放集学习
计算机视觉与模式识别
2025-08-07 v2 机器学习
摘要
现有的多视图学习模型在开放集场景中表现不佳，因为它们隐含地假设了类别的完备性。此外，静态视图引起的偏差，源于训练期间形成的虚假视图-标签关联，进一步削弱了它们识别未知类别的能力。在本文中，我们提出了一种通过模糊不确定性校准和视图去偏的多视图开放集学习框架。为了模拟模糊样本，我们设计了O-Mix，一种新颖的合成策略，用于生成具有校准后开放集模糊不确定性的虚拟样本。这些样本进一步由一个辅助的模糊感知网络处理，该网络捕获非典型模式以改进开放集自适应。此外，我们引入了一个基于HSIC的对比去偏模块，该模块强制视图特定模糊表示与视图一致表示之间的独立性，鼓励模型学习可泛化的特征。在多个多视图基准上的大量实验表明，所提出的框架在保持强封闭集性能的同时，持续增强了未知类别的识别能力。
引用
@article{arxiv.2508.01227,
title = {Enhancing Multi-view Open-set Learning via Ambiguity Uncertainty Calibration and View-wise Debiasing},
author = {Zihan Fang and Zhiyong Xu and Lan Du and Shide Du and Zhiling Cai and Shiping Wang},
journal= {arXiv preprint arXiv:2508.01227},
year = {2025}
}