野生动物开放集识别中的最近类均值与逻辑一致性
计算机视觉与模式识别
2025-10-21 v1
摘要
当前最先进的野生动物分类模型是在封闭世界设置下训练的。当面对未知类别时，这些模型仍会对预测结果保持过高的自信。开放集识别（OSR）旨在对已知类别进行分类，同时拒绝未知样本。已提出多种OSR方法通过观察特征空间、逻辑空间或softmax概率空间来建模封闭集分布。许多现有方法的一个显著缺点是需要针对OSR特定策略重新训练预训练的分类模型。本研究贡献了一种后处理OSR方法，通过度量模型特征与预测逻辑之间的一致性。我们提出一种基于输入到其最近类均值（Nearest Class Mean, NCM）距离的概率分布。该基于NCM的分布随后与分类头的softmax概率进行比较，以衡量NCM与分类头之间的一致性。我们的方法在两个评估数据集上均位列前三名，表现稳健。相比，当前最先进的方法往往仅在单个数据集上表现卓越。我们实现的AUROC分别为93.41和95.35，分别对应非洲和瑞典动物。代码可在 https://github.com/Applied-Representation-Learning-Lab/OSR 获得。
引用
@article{arxiv.2510.17338,
title = {Nearest-Class Mean and Logits Agreement for Wildlife Open-Set Recognition},
author = {Jiahao Huo and Mufhumudzi Muthivhi and Terence L. van Zyl and Fredrik Gustafsson},
journal= {arXiv preprint arXiv:2510.17338},
year = {2025}
}