开集识别：一个优秀的闭集分类器就足够了吗？

Sagar Vaze; Kai Han; Andrea Vedaldi; Andrew Zisserman

开集识别：一个优秀的闭集分类器就足够了吗？

计算机视觉与模式识别 2022-04-15 v2 机器学习

作者: Sagar Vaze , Kai Han , Andrea Vedaldi , Andrew Zisserman

摘要

识别测试样本是否属于分类器训练集中某个语义类的能力，对于模型的实际部署至关重要。该任务被称为开集识别（OSR），近年来受到显著关注。在本文中，我们首先证明分类器做出“以上都不是”决策的能力与其在闭集类上的准确率高度相关。我们发现这种关系在多种损失目标和架构下均成立，并进一步在标准OSR基准以及大规模ImageNet评估中展示了该趋势。其次，我们利用此相关性，通过提升闭集准确率来强化一个基于最大logit分数的OSR“基线”，并凭借这一强基线在多个OSR基准上达到最先进水平。类似地，我们通过提升其闭集准确率来强化现有最先进方法的性能，但所得结果与强基线的差距微乎其微。我们的第三个贡献是提出“语义偏移基准”（SSB），其更好地契合检测语义新颖性的任务，而非相关子领域（如分布外检测）所考虑的其他形式的分布偏移。在这一新评估上，我们再次证明强基线与原最先进方法之间差异可忽略。项目页面：https://www.robots.ox.ac.uk/~vgg/research/osr/

关键词

开集识别闭集分类器语义偏移基准最大logit分数 ImageNet 分布外检测

引用

@article{arxiv.2110.06207,
  title  = {Open-Set Recognition: a Good Closed-Set Classifier is All You Need?},
  author = {Sagar Vaze and Kai Han and Andrea Vedaldi and Andrew Zisserman},
  journal= {arXiv preprint arXiv:2110.06207},
  year   = {2022}
}

备注

ICLR 22 Oral. Changes from pre-print highlighted on Github page

开集识别：一个优秀的闭集分类器就足够了吗？

摘要

关键词

引用

备注

相关论文