LORD:利用未知数据赋能开放集识别
计算机视觉与模式识别
2023-08-25 v1 机器学习
摘要
处理完全未知的数据是任何已部署分类器面临的挑战。分类模型通常在静态预定义数据集上训练,并对开放的未分配特征空间一无所知。因此,它们在推理期间难以处理分布外数据。在类别层面上解决该任务被称为开放集识别(OSR)。然而,大多数OSR方法存在固有局限,因为它们训练的是闭集分类器,仅将下游预测适配于OSR。本工作提出LORD,一个通过利用未知数据(Unknown Data)来赋能开放集识别(Leverage Open-set Recognition)的框架。LORD在分类器训练期间显式建模开放空间,并为这类方法提供系统性评估。我们确定了三种利用背景数据且与模型无关的训练策略,并将其应用于成熟的分类器。由于LORD广泛的评估协议,我们一致展示了未知数据识别的改进。该基准促进了跨不同需求层次的深入分析。为减轻对大量且昂贵的背景数据集的依赖,我们探索将mixup作为一种即用型数据生成技术。我们的实验凸显了mixup作为背景数据集替代方案的有效性。对mixup合成的轻量级约束进一步提升了OSR性能。
引用
@article{arxiv.2308.12584,
title = {LORD: Leveraging Open-Set Recognition with Unknown Data},
author = {Tobias Koch and Christian Riess and Thomas Köhler},
journal= {arXiv preprint arXiv:2308.12584},
year = {2023}
}
备注
Accepted at ICCV 2023 Workshop (Out-Of-Distribution Generalization in Computer Vision)