SphOR：深度学习模型中识别未知类的开放集识别的表示学习视角
计算机视觉与模式识别
2026-02-24 v3
摘要
在安全关键和实际应用中，对基于深度神经网络（DNN）分类器的依赖使得开放集识别（OSR）成为必然。OSR 能够将训练期间未知类别的输入数据识别为未知，而不是将其错误分类为已知类别。DNN 由特征提取主干网络和分类器头组成；然而，大多数 OSR 方法通常联合训练这两个组件，往往导致对未知数据适应性差的表示特征。其他方法采用现成的目标函数，例如监督对比学习，这些并非专门为 OSR 设计。为了解决这些局限性，我们提出了 SpHOR，它在训练分类器之前，通过监督表示学习显式地塑造特征空间。SpHOR 不依赖通用特征学习，而是通过三项关键创新为 OSR 定制表示学习：(1) 通过正交标签嵌入强制执行具有判别性的类别特定特征，确保类别之间更清晰的分离。(2) 施加球面约束，将表示建模为 von Mises-Fisher 分布的混合。(3) 将 Mixup 和标签平滑（LS）直接集成到表示学习阶段。为了量化这些技术如何增强 OSR 的表示，我们引入了两个指标：角度可分性（AS）和范数可分性（NS）。结合这三项创新，SpHOR 在各种粗粒度和细粒度开放集基准测试中取得了 state-of-the-art 的结果（在 AUROC 和 OSCR 上），特别是在 Semantic Shift Benchmark 上表现优异，提升高达 5.1\%。代码位于 https://github.com/nadarasarbahavan/SpHOR
引用
@article{arxiv.2503.08049,
title = {SphOR: A Representation Learning Perspective on Open-set Recognition for Identifying Unknown Classes in Deep Learning Models},
author = {Nadarasar Bahavan and Sachith Seneviratne and Saman Halgamuge},
journal= {arXiv preprint arXiv:2503.08049},
year = {2026}
}
备注
Accepted at CVPR2026 (Findings Track)