开放世界识别中用于转导式阈值校准的学习方法
计算机视觉与模式识别
2024-03-26 v2
摘要
在用于视觉识别的深度度量学习中，距离阈值的校准对于在真正率（TPR）或真负率（TNR）上达成期望的模型性能至关重要。然而，在开放世界场景中校准该阈值存在挑战，其中测试类可与训练中所遇类完全不相交。我们将为已训练嵌入模型寻找距离阈值以在未见开放世界测试类上达成目标性能指标的问题定义为开放世界阈值校准。现有的事后阈值校准方法依赖归纳推断，且需要具有与测试数据相似距离分布的校准数据集，在开放世界场景中常被证明无效。为此，我们引入 OpenGCN，一种基于图神经网络、具有增强适应性与鲁棒性的转导式阈值校准方法。OpenGCN 学习预测嵌入于图中的无标签测试实例的成对连通性，以确定其在各距离阈值下的 TPR 与 TNR，从而实现距离阈值的转导式推断，并同时纳入测试时信息。跨开放世界视觉识别基准的广泛实验验证了 OpenGCN 相对于现有开放世界阈值校准事后校准方法的优越性。
引用
@article{arxiv.2305.12039,
title = {Learning for Transductive Threshold Calibration in Open-World Recognition},
author = {Qin Zhang and Dongsheng An and Tianjun Xiao and Tong He and Qingming Tang and Ying Nian Wu and Joseph Tighe and Yifan Xing and Stefano Soatto},
journal= {arXiv preprint arXiv:2305.12039},
year = {2024}
}