GHOST：高斯假设开放集技术
计算机视觉与模式识别
2025-02-11 v2 人工智能
机器学习
摘要
大规模识别方法的评估通常侧重于整体性能。虽然这种方法很常见，但它往往无法揭示各个类别上的性能表现，这可能导致公平性问题及错误表征。解决这些差距对于准确评估方法处理新颖或未知类别的能力以及确保公平评估至关重要。为解决开放集识别（OSR）中的公平性问题，我们证明了每个类别的性能可能存在巨大差异。我们引入了高斯假设开放集技术（GHOST），这是一种新颖的无超参数算法，它使用具有对角协方差矩阵的逐类多元高斯分布对深度特征进行建模。我们对 logits 应用 Z 分数归一化，以减轻偏离模型预期的特征量级的影响，从而降低网络为未知样本分配高分的可能性。我们在多个 ImageNet-1K 预训练的深度网络上评估了 GHOST，并使用四个不同的未知数据集进行了测试。使用 AUOSCR、AUROC 和 FPR95 等标准指标，我们取得了统计上显著的改进，推进了大规模 OSR 的最新技术水平。源代码已在线提供。
引用
@article{arxiv.2502.03359,
title = {GHOST: Gaussian Hypothesis Open-Set Technique},
author = {Ryan Rabinowitz and Steve Cruz and Manuel Günther and Terrance E. Boult},
journal= {arXiv preprint arXiv:2502.03359},
year = {2025}
}
备注
Accepted at AAAI Conference on Artificial Intelligence 2025