基于一类对其余网络深度概率模型的开放集识别
计算机视觉与模式识别
2020-05-29 v2 机器学习
摘要
训练时未见的未知样本常出现在现实计算机视觉任务中,智能自学习系统应能区分已知与未知样本。解决此问题的开放集识别已研究约十年。然而,基于深度神经网络(DNNs)的传统开放集识别方法缺乏后续识别分数分析的基础。本文提出一种DNN结构,其中多个一类对其余sigmoid网络跟随卷积神经网络特征提取器。一类对其余网络由隐藏层的修正线性单元激活函数与单一sigmoid目标类输出节点组成,可最大化从非匹配样本学习信息的能力。此外,该网络产生在特征空间可解释的特征到输出的精细非线性映射。通过引入基于极值理论的校准技术,该非线性且可解释的映射提供了有充分依据的类属概率模型。实验表明,一类对其余网络比常用的SoftMax层能为未知样本提供更具信息量的隐藏表示。此外,所提概率模型在开放集分类场景中优于最先进方法。
引用
@article{arxiv.2004.08067,
title = {One-vs-Rest Network-based Deep Probability Model for Open Set Recognition},
author = {Jaeyeon Jang and Chang Ouk Kim},
journal= {arXiv preprint arXiv:2004.08067},
year = {2020}
}
备注
16 pages, 11 figures