通过混淆与无知证据建模实现灵活视觉识别

在真实场景中，典型的视觉识别系统可能因两类主要原因而失效，即已知类之间的误分类以及对未知类图像的可原谅错误行为。为应对这些缺陷，灵活的视觉识别应在类别选择不确定时动态预测多个类，并在输入完全超出训练分布时拒绝做出预测。这一新任务带来两个挑战。首先，预测不确定性应被分别量化为刻画类间不确定性的混淆（confusion）与识别分布外样本的忽略（ignorance）。其次，混淆与忽略应在样本间具有可比性以实现有效决策。本文提出利用主观逻辑（Subjective Logic）理论显式建模这两类不确定性。将识别视为证据收集过程，混淆被定义为冲突证据，而忽略则是证据缺失。通过对单例预测狄利克雷集中参数，可通过进一步的证据组合获得包含混淆与忽略的综合主观意见。通过在合成数据分析、视觉识别与开集检测上的一系列实验，我们证明了所提方法在量化两类不确定性及处理灵活识别上的有效性。