基于互补分类器对的广义单类学习
计算机视觉与模式识别
2021-06-28 v1 机器学习
摘要
单类学习是仅对单一类别具有标注数据时为该数据拟合模型的经典问题。本文探索用于单类学习的新目标，我们统称为广义单类判别子空间（Generalized One-class Discriminative Subspaces, GODS）。我们的核心思想是学习一对互补分类器以灵活界定单类数据分布，其中数据属于互补分类器中某一个的正半空间，以及另一个的负半空间。为避免冗余同时允许分类器决策面的非线性，我们提议将每个分类器设计为正交标架，并寻求通过联合优化两个冲突目标来学习这些标架，即：i) 最小化两个标架间的距离；ii) 最大化标架与数据间的间隔。所学习的正交标架因而刻画了一个分段线性决策面，可实现高效推断，而我们的目标力求将数据界定于最小化体积且最大化决策间隔的区域内，从而鲁棒地捕捉数据分布。我们在对组成分类器的不同约束下探索了公式的若干变体，包括核化特征映射。我们通过计算机视觉中若干应用（如视频序列、人体姿态与人体活动的异常检测）的数据实验展示了方法的经验优势。我们还通过在多个 UCI 数据集上的实验探索了 GODS 在非视觉任务上的通用性与有效性，取得了最先进（SOTA）结果。
引用
@article{arxiv.2106.13272,
title = {Generalized One-Class Learning Using Pairs of Complementary Classifiers},
author = {Anoop Cherian and Jue Wang},
journal= {arXiv preprint arXiv:2106.13272},
year = {2021}
}
备注
Accepted at Trans. PAMI. arXiv admin note: text overlap with arXiv:1908.05884