OpenViewer：开放感知的多视图学习
计算机视觉与模式识别
2024-12-18 v1 应用统计
机器学习
摘要
多视图学习方法通过挖掘跨视图的相关性来利用多个数据源以增强感知，通常依赖于预定义的类别。然而，在现实场景中部署这些模型会带来两个主要的开放性挑战。1) 缺乏可解释性：现有黑盒模型中多视图数据的整合机制仍未得到很好的解释；2) 泛化能力不足：大多数模型不能适应涉及未知类别的多视图场景。为了应对这些挑战，我们提出了 OpenViewer，一个具有理论支持的开放感知多视图学习框架。该框架首先采用伪未知样本生成机制，以高效模拟开放多视图环境，并提前适应潜在的未知样本。随后，我们引入了表达增强的深度展开网络，通过系统地构建功能先验映射模块，直观地提升可解释性，并有效地为多视图数据提供更透明的整合机制。此外，我们建立了感知增强的开集训练机制，通过精确提升已知类别的置信度并谨慎抑制未知类别的不当置信度，显著增强了泛化能力。实验结果表明，OpenViewer 有效地应对了开放性挑战，同时确保了对已知和未知样本的识别性能。代码已在 https://github.com/dushide/OpenViewer 发布。
引用
@article{arxiv.2412.12596,
title = {OpenViewer: Openness-Aware Multi-View Learning},
author = {Shide Du and Zihan Fang and Yanchao Tan and Changwei Wang and Shiping Wang and Wenzhong Guo},
journal= {arXiv preprint arXiv:2412.12596},
year = {2024}
}
备注
16 pages