自监督特征改善开放世界学习
计算机视觉与模式识别
2021-04-30 v2 机器学习
摘要
本文指出了现有开放世界学习方法的缺陷，并试图以\textbf{真实开放世界学习}的形式提供一幅完整的图景。为此，我们提出了一种可泛化的综合开放世界学习协议，能够在操作环境中评估开放世界学习的各个组成部分。我们认为，在真实开放世界学习中，底层特征表示应以自监督方式学习。在此自监督特征表示下，我们引入将未知样本检测为属于标签外（Out-of-Label）空间样本的问题。我们根据被检测未知样本是属于原生世界（与特征表示相同）还是新世界，区分标签外空间检测与传统的分布外（Out-of-Distribution）检测。我们统一的开放世界学习框架结合了三个通常独立研究的方向，即增量学习、分布外检测和开放世界学习。从自监督特征空间出发，开放世界学习器能够适应并将其特征空间特化到每个增量阶段中的类别，从而取得更好表现而无需显著增加开销，正如我们的实验结果所展示。我们流程的增量学习组件在已建立的 ImageNet-100 协议上取得了新的最先进（state-of-the-art）结果。我们还通过展示其如何作为插件与任意自监督特征表示方法协同工作，证明了我们方法的适应性。
引用
@article{arxiv.2102.07848,
title = {Self-Supervised Features Improve Open-World Learning},
author = {Akshay Raj Dhamija and Touqeer Ahmad and Jonathan Schwan and Mohsen Jafarzadeh and Chunchun Li and Terrance E. Boult},
journal= {arXiv preprint arXiv:2102.07848},
year = {2021}
}