ODN：为开放集动作识别打开深度网络

近年来，在深度神经网络的帮助下，动作识别的性能得到了显著提升。现有大多数动作识别工作都持有“闭集”假设，即所有动作类别事先已知，且深度网络可针对这些类别得到充分训练。然而，现实世界中的动作识别本质上是一个“开放集”问题，即不可能事先知道所有动作类别，因此也无法为那些新出现的类别准备充足的训练样本。在这种情况下，应用闭集识别方法必然会导致未见类别的错误。为应对这一挑战，我们提出了用于开放集动作识别任务的开放深度网络（ODN）。在技术层面，ODN 通过多类三元组阈值化方法检测新类别，然后动态重构分类层，并通过持续为新类别添加预测器来“打开”深度网络。为了将已学知识迁移到新类别，采用了两种新方法——强调初始化（Emphasis Initialization）与异速训练（Allometry Training）来初始化并增量训练新预测器，从而仅需少量样本即可微调模型。大量实验表明，ODN 能以极少人工干预有效检测和识别新类别，因此适用于现实世界中的开放集动作识别任务。此外，ODN 甚至能取得与某些闭集方法相当的性能。