从未知中学习未知：面向少样开集识别的多样化负原型生成器

少样开集识别 (Few-shot open-set recognition, FSOR) 是一项具有挑战性的任务，需要模型在有限标记数据下识别已知类别并识别未知类别。现有方法，特别是基于负原型的方法，仅基于已知类数据生成负原型。然而，由于未知空间是无限的而已知空间有限，这些方法受限于表示能力。为此，我们提出一种新方法，称为多样化负原型生成器 (Diversified Negative Prototypes Generator, DNPG)，其采用"从未知中学习未知"的原则。我们的方法利用从基类学习到的未知空间信息，用于为新类生成更具代表性的负原型。在预训练阶段，我们学习基类的未知空间表示。该表示及其类别间关系随后被用于构建元学习过程中的负原型，以适应不同数据组成。为防止原型坍缩并确保对不同数据组成的适应性，我们引入了置换对齐 (Swap Alignment, SA) 模块。我们的DNPG模型通过学习未知空间，生成覆盖更广阔未知空间的负原型，从而在三个标准FSOR数据集上实现最先进的性能。