用于未知类学习的人工未知类学习方法

本文研究开放集识别(OSR)问题，其目标是正确分类已知类样本同时检测并拒绝未知样本。在 OSR 问题中，“未知”被假定具有无限可能性，因为在未知出现之前我们对其毫无所知。直观上，OSR 系统对未知可能性的探索越多，就越有可能检测到未知。因此，本文提出一种新颖的人工未知类学习方法，该方法生成类未知样本同时保持所生成样本之间的多样性，并学习这些样本。除该未知样本生成过程外，引入知识蒸馏为学习人工未知类提供空间。通过交替学习类未知样本与已知样本，所提方法不仅能经历多样化的合成未知类，还能减少对已知类的过度泛化。在多个基准数据集上的实验表明，所提方法显著优于其他最先进的方案。研究还显示，在 MNIST 数据集上训练后，可通过所提方法生成并学习逼真的未知数字。