面向少样本开集识别的全局-局部能量基学习
计算机视觉与模式识别
2023-04-25 v1
摘要
少样本开集识别（FSOR）是一项极具实用价值且富有挑战性的任务。其旨在将样本分类到由少量示例所刻画的预定义闭集类别之一，同时能够拒识来自未知类别的样本。本文中，我们提出一种新颖的能量基混合模型来处理 FSOR 任务。该模型由两条分支组成：分类分支学习一种度量以将样本分类到某一闭集类别，能量分支显式估计开集概率。为实现对开集样本的整体检测，我们的模型同时利用类级与像素级特征来学习一种全局-局部（glocal）能量基分数，其中全局能量分数使用类级特征学习，而局部能量分数使用像素级特征学习。该模型被强制对类级特征或像素级特征中偏离少样本示例的样本赋予高能量分数，否则赋予低能量分数。在三个标准 FSOR 数据集上的实验显示了我们模型的优越性能。
引用
@article{arxiv.2304.11855,
title = {Glocal Energy-based Learning for Few-Shot Open-Set Recognition},
author = {Haoyu Wang and Guansong Pang and Peng Wang and Lei Zhang and Wei Wei and Yanning Zhang},
journal= {arXiv preprint arXiv:2304.11855},
year = {2023}
}
备注
Accepted at CVPR 2023