面向开集识别的占位符学习
计算机视觉与模式识别
2021-03-30 v1
摘要
传统分类器在闭集设定下部署，训练与测试类别属于同一集合。然而，真实世界应用可能面临未知类别的输入，模型会将其识别为已知类别。在此情形下，开集识别被提出以在已知类别上保持分类性能并拒绝未知类。闭集模型对熟悉的已知类样本做出过度自信的预测，因此在扩展到开集环境时，跨类别的校准与阈值是关键问题。为此，我们提出为开集识别学习占位符（Proser），其为未知类准备数据占位符与分类器占位符。具体而言，学习数据占位符试图预测开集类数据，从而将闭集训练转化为开集训练。此外，为学习目标类与非目标类间的不变信息，我们保留分类器占位符作为已知与未知类之间的类特定边界。所提 Proser 通过流形混合高效生成新类，并在训练期间自适应设定保留的开集分类器值。在多个数据集上的实验验证了所提方法的有效性。
引用
@article{arxiv.2103.15086,
title = {Learning Placeholders for Open-Set Recognition},
author = {Da-Wei Zhou and Han-Jia Ye and De-Chuan Zhan},
journal= {arXiv preprint arXiv:2103.15086},
year = {2021}
}
备注
Accepted to CVPR 2021 as an Oral Presentation