具有不完整类标签集合的多类场景中的新颖性检测

我们解决多类场景中某些类标签缺失于训练集的新颖性检测问题。我们的方法基于置信度值的初始分配，其衡量新测试点与每个已知类之间的亲和性。我们首先比较该置信度值向量中两个最高元素的值。我们方法的核心在于训练一个分类器集成，每个分类器基于将训练数据划分为假定已知和假定新颖的类，被训练以区分已知与新颖类。我们最终的新颖性得分源自该分类器集成的输出。我们在两个包含相对大量类的图像数据集——Caltech-256 和 Cifar-100 数据集上评估了我们的方法。我们将我们的方法与代表常用方法的 3 种替代方法进行比较，包括单类 SVM、基于 k-NN 的新颖性、基于最大置信度的新颖性，以及近期的 KNFST 方法。结果显示在训练期间类标签缺失的实验设置下，我们的方法相对于所有替代方法具有非常明确且显著的优势。