基于条件概率生成模型的开放集识别
计算机视觉与模式识别
2021-02-10 v2 机器学习
机器学习
摘要
深度神经网络在广泛的视觉理解任务中取得了突破性进展。阻碍其实际应用的一个典型挑战是，测试阶段可能有未知样本被输入系统，而传统深度神经网络会将这些未知样本错误地识别为已知类别之一。开放集识别（OSR）是克服该问题的一种潜在方案，其中开放集分类器应具备拒绝未知样本的灵活性，同时在已知类别上保持高分类准确率。概率生成模型，如变分自编码器（VAE）和对抗自编码器（AAE），是检测未知样本的流行方法，但它们无法为已知分类提供判别性表示。本文提出一种称为条件概率生成模型（CPGM）的新框架，用于开放集识别。我们工作的核心见解是将判别信息加入概率生成模型中，从而所提模型不仅能检测未知样本，还能通过迫使不同潜特征逼近条件高斯分布来对已知类别进行分类。我们讨论了多种模型变体并提供了全面的实验来研究其特性。在多个基准数据集上的实验结果表明，所提方法显著优于基线并达到了新的最先进（state-of-the-art）性能。
引用
@article{arxiv.2008.05129,
title = {Open Set Recognition with Conditional Probabilistic Generative Models},
author = {Xin Sun and Chi Zhang and Guosheng Lin and Keck-Voon Ling},
journal= {arXiv preprint arXiv:2008.05129},
year = {2021}
}
备注
Extended version of CGDL arXiv:2003.08823 in CVPR2020