PMAL：基于鲁棒原型挖掘的开放集识别
计算机视觉与模式识别
2022-03-17 v1
摘要
开放集识别（OSR）已成为一个新兴课题。除识别预定义类外，系统还需拒识未知类。原型学习是处理该问题的一种潜在方式，因为其提升表示类内紧凑性的能力在区分已知与未知类时极为所需。本工作中，我们提出一种新颖的原型挖掘与学习（PMAL）框架。它在优化嵌入空间阶段之前具备原型挖掘机制，显式考虑两个关键属性，即原型集的高质量与多样性。具体而言，首先基于数据不确定性学习从训练样本中提取一组高质量候选，避免意外噪声的干扰。考虑到即便同一类别中对象外观的多变性，提出一种基于多样性的原型集过滤策略。相应地，嵌入空间可被更好地优化，以区分其中的预定义类以及已知与未知类。大量实验验证了原型挖掘所具有的两个良好特性（即高质量与多样性），并表明所提框架相较于 state-of-the-art 方法具有卓越性能。
引用
@article{arxiv.2203.08569,
title = {PMAL: Open Set Recognition via Robust Prototype Mining},
author = {Jing Lu and Yunxu Xu and Hao Li and Zhanzhan Cheng and Yi Niu},
journal= {arXiv preprint arXiv:2203.08569},
year = {2022}
}
备注
accepted by AAAI2021