MetaMax：基于威布尔校准的改进型开放集深度神经网络
计算机视觉与模式识别
2022-11-22 v1
摘要
开放集识别指的是在推理时出现训练期间未见过类别的问题。这要求模型在保持闭集分类判别能力的同时，能够识别新类别的实例。OpenMax 是首个基于深度神经网络、通过校准标准闭集分类网络预测分数来解决开放集识别的方法。本文提出 MetaMax，一种更有效的后处理技术，它通过直接建模类激活向量来改进现有方法。MetaMax 消除了 OpenMax 所需的计算类平均激活向量（MAV）以及查询图像与类 MAV 之间距离的需要。实验结果表明，MetaMax 优于 OpenMax，并且性能与其他最先进（SOTA）方法相当。
引用
@article{arxiv.2211.10872,
title = {MetaMax: Improved Open-Set Deep Neural Networks via Weibull Calibration},
author = {Zongyao Lyu and Nolan B. Gutierrez and William J. Beksi},
journal= {arXiv preprint arXiv:2211.10872},
year = {2022}
}
备注
To be presented at the 2023 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) Workshop on Dealing with Novelty in Open Worlds (DNOW)