P-ODN:基于原型的开放深度网络用于开放集识别
计算机视觉与模式识别
2020-01-14 v2
摘要
现有大多数识别算法都是针对闭集场景提出的,其中所有类别事先已知。然而在实践中,识别本质上是一个开放集问题。存在我们已知的类别称为“已知类”,还有更多我们未知的类别称为“未知类”。事先枚举所有类别绝无可能,因此为那些未知类准备充分的训练样本也不可行。应用闭集识别方法自然会引致未见类别的错误。为解决此问题,我们提出基于原型的开放深度网络(P-ODN)用于开放集识别任务。具体而言,我们将原型学习引入开放集识别。原型与原型半径被联合训练以引导CNN网络提取更具判别性的特征。随后P-ODN通过基于特征与原型间距离度量的多类三元组阈值方法检测未知类。将前序过程中检测到的未知类人工标注为新类别。在分类层中添加新类别的预测器以“开放”深度神经网络,从而动态纳入新类别。新预测器的权重通过基于距离的算法进行精细初始化以迁移已学知识。因此,该初始化方法加速了微调过程并减少了训练新预测器所需样本。大量实验表明,P-ODN能有效检测未知类,且仅需少量带人工干预的样本即可识别新类别。在真实场景里,我们的方法在UCF11、UCF50、UCF101和HMDB51数据集上取得了最先进的性能。
引用
@article{arxiv.1905.01851,
title = {P-ODN: Prototype based Open Deep Network for Open Set Recognition},
author = {Yu Shu and Yemin Shi and Yaowei Wang and Tiejun Huang and Yonghong Tian},
journal= {arXiv preprint arXiv:1905.01851},
year = {2020}
}
备注
15 pages, 10 figures