利用判别性反向点学习开集识别网络
计算机视觉与模式识别
2020-12-14 v1 机器学习
摘要
开集识别是一个新兴的研究领域，旨在同时对来自预定义类别的样本进行分类并将其余样本识别为“未知”。在此过程中，关键挑战之一是降低从少量已知数据学到的众多未知样本固有特征被泛化的风险。本文提出一个新概念——反向点（Reciprocal Point），它是与每个已知类别对应的类外空间的潜在表示。样本可通过与反向点的差异性被分类为已知或未知。为应对开集问题，我们提出了一种新颖的开空间风险正则化项。基于由反向点构建的有界空间，通过多类别交互降低未知风险。这一称为反向点学习（RPL）的新颖学习框架，能够仅利用已知类别将未知信息间接引入学习器，从而学习到更紧凑且更具判别性的表示。此外，我们进一步构建了一个用于开集识别的新型大规模挑战性飞行器数据集：Aircraft 300（Air-300）。在多个基准数据集上的大量实验表明，我们的框架显著优于其他现有方法，并在标准开集基准上取得了最先进的性能。
引用
@article{arxiv.2011.00178,
title = {Learning Open Set Network with Discriminative Reciprocal Points},
author = {Guangyao Chen and Limeng Qiao and Yemin Shi and Peixi Peng and Jia Li and Tiejun Huang and Shiliang Pu and Yonghong Tian},
journal= {arXiv preprint arXiv:2011.00178},
year = {2020}
}
备注
ECCV 2020 (spotlight)