用于开集识别的混合模型
计算机视觉与模式识别
2020-08-05 v2
摘要
开集识别要求分类器检测出不属于其训练集中任何类别的样本。现有方法在嵌入空间上对训练样本拟合概率分布，并依据该分布检测离群点。嵌入空间通常来自判别分类器。然而，此类判别表示仅关注已知类别，对于区分未知类别可能并非关键。我们认为表示空间应由内点分类器和密度估计器（作为离群点检测器）联合学习。我们提出OpenHybrid框架，其由一个将输入数据编码到联合嵌入空间的编码器、一个将样本分类到内点类别的分类器，以及一个基于流的密度估计器（用于检测样本是否属于未知类别）组成。现有基于流的模型的一个典型问题是可能给离群点分配更高的似然。然而，我们在实验中经验性地观察到，当为判别与生成组件学习联合表示时，该问题并未出现。在标准开集基准上的实验也表明，端到端训练的OpenHybrid模型显著优于SOTA方法和基于流的基线。
引用
@article{arxiv.2003.12506,
title = {Hybrid Models for Open Set Recognition},
author = {Hongjie Zhang and Ang Li and Jie Guo and Yanwen Guo},
journal= {arXiv preprint arXiv:2003.12506},
year = {2020}
}
备注
16 pages, 4 figures