开放集识别中自监督表示学习的特征解耦
计算机视觉与模式识别
2022-09-30 v1 人工智能
密码学与安全
机器学习
摘要
假设分类时可能存在未知类别，开放集识别（OSR）任务旨在将实例分类为已知类或将其作为未知拒绝。本文中，我们针对 OSR 问题采用两阶段训练策略。在第一阶段，我们引入一种自监督特征解耦方法，从已知类别的输入样本中找出内容特征。具体而言，我们的特征解耦方法学习一种可拆分为内容特征与变换特征的表示。在第二阶段，我们使用类标签对内容特征进行微调。微调后的内容特征随后用于 OSR 问题。此外，我们考虑一种无监督 OSR 场景，对第一阶段学习到的内容特征进行聚类。为衡量表示质量，我们引入类内类间比（IIR）。实验结果表明，我们提出的自监督方法在图像与恶意软件 OSR 问题上优于其他方法。同时，我们的分析表明 IIR 与 OSR 性能相关。
引用
@article{arxiv.2209.14385,
title = {Feature Decoupling in Self-supervised Representation Learning for Open Set Recognition},
author = {Jingyun Jia and Philip K. Chan},
journal= {arXiv preprint arXiv:2209.14385},
year = {2022}
}