从未知到已知演化：用于增量开集识别的保留性角度表示学习
计算机视觉与模式识别
2025-09-10 v2
摘要
现有的开集识别（OSR）方法通常针对静态场景设计，其中模型旨在在固定范围内对已知类别进行分类并识别未知类别。这偏离了模型应从连续数据流中增量识别新出现的未知类别并获取相应知识的期望。在这种演化场景中，由于无法访问先前的训练数据，OSR 决策边界的判别性难以保持，导致严重的类间混淆。为了解决这一问题，我们提出了用于增量开集识别（IOSR）的保留性角度表示学习（RARL）。在 RARL 中，未知表示被鼓励在等角紧框架下构建的角度空间中围绕非活跃原型对齐，从而在知识更新过程中减轻过度的表示漂移。具体而言，我们采用虚拟-内在交互（VII）训练策略，通过边界邻近的虚拟类强制清晰的类间间隔来压缩已知表示。此外，设计了分层校正策略来细化决策边界，减轻由新旧样本和正负样本之间的不平衡引起的表示偏差和特征空间扭曲。我们在 CIFAR100 和 TinyImageNet 数据集上进行了全面评估，并为 IOSR 建立了一个新的基准。不同任务设置下的实验结果表明，所提方法达到了最先进的性能。
引用
@article{arxiv.2509.06570,
title = {Evolving from Unknown to Known: Retentive Angular Representation Learning for Incremental Open Set Recognition},
author = {Runqing Yang and Yimin Fu and Changyuan Wu and Zhunga Liu},
journal= {arXiv preprint arXiv:2509.06570},
year = {2025}
}
备注
10 pages, 6 figures, 2025 IEEE/CVF International Conference on Computer Vision Workshops