面向少样本开集识别的任务自适应负类构想
计算机视觉与模式识别
2022-07-19 v3
摘要
我们研究少样本开集识别（FSOR）问题，其学习一个既能通过有限标注样本快速适应新类、又能拒绝未知负样本的识别系统。传统的大规模开集方法因数据限制已被证明对 FSOR 问题无效。当前 FSOR 方法通常校准少样本闭集分类器使其对负样本敏感，从而可通过阈值化拒绝它们。然而，阈值调优是一个具有挑战性的过程，因为不同的 FSOR 任务可能需要不同的拒绝能力。本文中，我们转而提出面向 FSOR 的任务自适应负类构想，将阈值调优整合进学习过程。具体而言，我们用由少样本样例生成的额外负原型扩充少样本闭集分类器。通过在负生成过程中纳入少样本类间相关性，我们能够为 FSOR 任务学习动态的拒绝边界。此外，我们将方法推广至广义少样本开集识别（GFSOR），其要求对多样本类和少样本类进行分类并拒绝负样本。在公开基准上的大量实验验证了我们的方法在这两个问题上的有效性。
引用
@article{arxiv.2012.13073,
title = {Task-Adaptive Negative Envision for Few-Shot Open-Set Recognition},
author = {Shiyuan Huang and Jiawei Ma and Guangxing Han and Shih-Fu Chang},
journal= {arXiv preprint arXiv:2012.13073},
year = {2022}
}
备注
Accepted by CVPR2022