在线开放世界识别
计算机视觉与模式识别
2016-04-11 v1 机器学习
机器学习
摘要
随着我们进入大数据时代，大量图像变得易于获取，识别系统面临从封闭的实验室环境（类别数与训练数据固定）转向动态场景的需求，在动态场景中待识别类别数量随时间持续增长，且新数据提供有用信息以更新系统。近期尝试，如开放世界识别框架，试图通过检测新的未知类别并增量添加它们，同时持续更新已知类的模型，将动态性注入系统。增量添加新类并检测来自未知类的实例，同时持续更新已知类的模型。本文中，我们主张为恰当捕获开放世界识别的内在动态，有必要在这些方面之外增加 (a) 底层度量的增量学习，(b) 未知类置信度阈值的增量估计，以及 (c) 使用局部学习精确描述类别空间。我们通过使用在线度量学习将三种现有度量学习算法扩展至这些目标。我们在实验中于不同学习场景的两个大规模数据集上验证我们的方法。对于所有这些场景，我们提出的方法优于其非在线对应方法。我们得出结论：局部与在线学习对捕获开放世界识别的完整动态至关重要。
引用
@article{arxiv.1604.02275,
title = {Online Open World Recognition},
author = {Rocco De Rosa and Thomas Mensink and Barbara Caputo},
journal= {arXiv preprint arXiv:1604.02275},
year = {2016}
}
备注
keywords{Open world recognition, Open set, Incremental Learning, Metric Learning, Nonparametric methods, Classification confidence}