基于重构引导元学习的少样本开集识别
计算机视觉与模式识别
2023-10-03 v4
摘要
在许多应用中，我们受限于用极少数据学习分类器（少样本分类）。若还需识别来自未知类别的样本（开集分类），任务则更具挑战性。用极少样本为某个类别学习良好的抽象表示极为困难，尤其在开集设定下。因此，少样本设定下的开集识别鲜受关注。然而，在诸如环境监测等许多应用中，每类标注样本数量有限，该任务至关重要。现有少样本开集识别（FSOSR）方法依赖阈值方案，部分方法对开放类样本赋予均匀概率。但该方法常不准确，尤其对细粒度分类，且使其对阈值选择高度敏感。为解决这些问题，我们提出基于重构样本表示的少样本开集分类器（Reconstructing Exemplar-based Few-shot Open-set ClaSsifier, ReFOCS）。通过一种新颖的基于样本重构的元学习策略，ReFOCS 精简了 FSOSR，通过学会对样本开放性自我感知，消除了精心调参阈值的需求。样本表示作为类别代表，可在训练集中提供或在特征域中估计。通过在多种数据集上测试，我们表明 ReFOCS 优于多种最先进（state-of-the-art）方法。
引用
@article{arxiv.2108.00340,
title = {Reconstruction guided Meta-learning for Few Shot Open Set Recognition},
author = {Sayak Nag and Dripta S. Raychaudhuri and Sujoy Paul and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2108.00340},
year = {2023}
}
备注
Accepted for publication in IEEE Transactions in Pattern Analysis and Machine Intelligence (TPAMI)