利用背景作为未知类的少样本开集识别
计算机视觉与模式识别
2022-07-20 v1
摘要
少样本开集识别旨在仅给定所见类别的有限训练数据的情况下，对所见和 novel 图像进行分类。该任务的挑战在于，模型不仅需要用少量训练数据学习一个判别分类器以分类预定义类别，还需拒绝训练时从未出现的未见类别的输入。本文从两个新颖角度提出解决该问题。首先，与标准闭集分类中学习所见类别间决策边界不同，我们为未见类别保留空间，使得位于这些区域的图像被识别为未见类别。其次，为有效学习此类决策边界，我们提出利用所见类别的背景特征。由于这些背景区域对闭集分类决策无显著贡献，自然地可将它们用作分类器学习的伪未见类别。我们的大量实验表明，所提方法不仅在多个基线上表现更优，还在三个流行基准（即 tieredImageNet、miniImageNet 和 Caltech-USCD Birds-200-2011 (CUB)）上取得了新的 SOTA 结果。
引用
@article{arxiv.2207.09059,
title = {Few-shot Open-set Recognition Using Background as Unknowns},
author = {Nan Song and Chi Zhang and Guosheng Lin},
journal= {arXiv preprint arXiv:2207.09059},
year = {2022}
}
备注
Accpeted to ACM MM 2022