基于变换一致性的少样本开放集识别
计算机视觉与模式识别
2021-04-16 v2
摘要
本文研究少样本开放集识别（FSOSR）问题，它是少样本学习（FSL）与开放集识别（OSR）的结合。其目标是使模型快速适应给定少量标注样本，同时拒识未见类样本。由于 OSR 需要丰富数据而 FSL 考虑闭集分类，现有 OSR 与 FSL 方法在解决 FSOSR 问题时表现不佳。先前 FSOSR 方法遵循基于伪未见类样本的方法，从其他数据集收集伪未见样本或合成样本以建模未见类表示。然而，该方法严重依赖伪样本的组成。本文提出一种名为 SnaTCHer 的新型未知类样本检测器，无需伪未见样本。基于变换一致性，我们的方法度量变换后原型与一修正原型集之间的差异。该修正集通过替换查询特征及其预测类原型构成。SnaTCHer 拒识与变换后原型差异大的样本。我们的方法将未见类分布估计问题转化为相对特征变换问题，独立于伪未见类样本。我们以多种原型变换方法考察 SnaTCHer，观察到该方法在保持闭集分类性能不降的同时持续提升未见类样本检测性能。
引用
@article{arxiv.2103.01537,
title = {Few-shot Open-set Recognition by Transformation Consistency},
author = {Minki Jeong and Seokeon Choi and Changick Kim},
journal= {arXiv preprint arXiv:2103.01537},
year = {2021}
}