开放环境下的双曲对偶特征增强
计算机视觉与模式识别
2025-06-11 v1
摘要
特征增强在特征空间中生成新样本，为利用双曲几何增强学习算法的泛化能力提供了一种有效方式。大多数双曲特征增强局限于封闭环境，假设类别数量固定（即已见类别），并且仅为这些类别生成特征。在本文中，我们提出了一种面向开放环境的双曲对偶特征增强方法，在双曲空间中同时为已见和未见类别增强特征。为了获得对真实数据分布的更精确近似以实现高效训练，(1) 我们采用由元学习增强的神经常微分方程模块，估计已见和未见类别的特征分布；(2) 随后引入一个正则化器以保持双曲空间中数据的潜在层次结构；(3) 我们还推导了双曲对偶增强损失的上界，使我们能够使用无限增强来训练双曲模型，涵盖已见和未见类别。在五个开放环境任务——类别增量学习、少样本开放集识别、少样本学习、零样本学习和通用图像分类——上的大量实验表明，我们的方法有效增强了双曲算法在开放环境中的性能。
引用
@article{arxiv.2506.08906,
title = {Hyperbolic Dual Feature Augmentation for Open-Environment},
author = {Peilin Yu and Yuwei Wu and Zhi Gao and Xiaomeng Fan and Shuo Yang and Yunde Jia},
journal= {arXiv preprint arXiv:2506.08906},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2207.03824, arXiv:2304.11855 by other authors