面向精确开放集识别的基于背景类正则化方法

在开放集识别（OSR）中，分类器应能在保持较高闭集分类准确率的同时拒绝未知类样本。为有效解决 OSR 问题，以往研究尝试限制潜在特征空间，并通过离线分析（如基于距离的特征分析）或复杂网络架构拒绝位于受限空间之外的数据。为在标准分类器架构中通过简单推理过程（无需离线分析）实现 OSR，我们采用基于距离的分类器替代常规 Softmax 分类器。随后，我们设计了一种背景类正则化策略，在训练阶段使用背景类数据作为未知类样本的替代。具体而言，我们构造了一种适用于基于距离分类器的新型正则化损失，其为已知类保留足够大的类间潜在特征空间，并迫使背景类样本远离受限空间。通过大量实验，我们表明所提方法在保持较高闭集分类准确率的同时，提供了鲁棒的 OSR 结果。