基于元学习的少样本开集识别
计算机视觉与模式识别
2020-06-09 v2
摘要
本文考虑开集识别问题。先前的方案仅在大尺度分类器训练背景下考量该问题，而我们寻求一种统一解决此问题及低样本分类设定的方案。我们认为经典 softmax 分类器是开集识别的拙劣方案，因其倾向于在训练类上过拟合。随后提出随机化作为该问题的解决方案。这暗示可使用常用于少样本分类的元学习技术来解决开集识别。继而引入一种新的开集元学习（PEELER）算法。其结合了每轮随机选取一组新类别、最大化这些类别样本后验熵的损失，以及基于马氏距离的新度量学习公式。实验结果表明，PEELER 在少样本与大尺度识别上均达到了最先进的开放集识别性能。在 CIFAR 与 miniImageNet 上，其在给定已见类分类准确率下于已见/未见类检测 AUROC 上取得了显著提升。
引用
@article{arxiv.2005.13713,
title = {Few-Shot Open-Set Recognition using Meta-Learning},
author = {Bo Liu and Hao Kang and Haoxiang Li and Gang Hua and Nuno Vasconcelos},
journal= {arXiv preprint arXiv:2005.13713},
year = {2020}
}