开集识别(open-set)算法（1）

最新推荐文章于 2024-05-19 01:49:45 发布
最新推荐文章于 2024-05-19 01:49:45 发布
阅读量1.5w 收藏 87
点赞数 9
分类专栏： 开集识别 文章标签： HRRP 开集识别算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/IMWTJ123/article/details/100173169
版权

所有内容基于目标识别

一、开集识别

    对于一个特定的识别问题，常用的识别方法是闭集识别（支持向量机分类器(SVM)、K-近邻分类器(KNN)、最大相关系数分类器(MCC)以及自适应高斯分类器(AGC)），即假定输入的待测样本一定属于已知的数据库。

    但在实际作战环境中，测试样本中常常含有未知样本，如果继续使用闭集识别系统，系统将错误地将来自未知类的测试样本识别为属于已知闭合集类之一，正确率下降。为解决这个问题引入开集识别。开集识别的目标识正确划分类别且正确拒绝其他未知类别。

二、目前先进的开集识别算法

OpenMax:利用来自预训练的深度神经网络的倒数第二层的激活矢量。使用EVT从每个类的平均值建模这些激活矢量的距离&#x

最低0.47元/天 解锁文章
IMWTJ
关注
  • 9
    点赞
  • 踩
  • 87
    收藏
    觉得还不错? 一键收藏
  • 11
    评论
专栏目录
开集检测（open set detection）
苏打水的杯子的博客
04-23 964
由于Zero-shot learning和Few-shot learning两个领域是2015年左右提出的，因此发展速度还比较快，也有一些比较成熟的模型了，但Open set recognition是2020年之后才提出来的，虽然有一些算法已经开始出现，终究还是处于起步阶段，所以我期望看到开集识别有更成熟的方案被提出，我也会持续关注。然而开集识别要实现的是训练集和测试集的类别可以有一样，也可以有不一样的，但模型最终能在不提供任何辅助信息的情况下区分出已知类别，同时也能分辨出未知类别并作相应处理。
Open-Set-Recognition:开放集识别
03-18
公开集识别项目使用PyTorch进行的开放集识别项目。如有任何问题，请发送电子邮件注意：由于我的实验性实现（特别是我的方法），需要重新构造。要求对于不同的算法和不同的数据集，要求会有所不同。通常，基本和必不...
异常检测 and 开集识别（2）
weixin_42105848的博客
07-10 3287
本文是本人在学习开集识别时的一些记录，主要是综合其他博主的内容并进行了一些修改，希望大家可以有所收获~
开集图像识别（open-set recognition）
qq_45691955的博客
03-15 1388
使用深度学习方法进行开集识别，并且使用不同的评估方式
深度学习中，什么是open-set？
最新发布
985小菜鸡
05-19 271
open-set 问题在深度学习中是一个重要的研究方向，因为它反映了许多实际应用中的现实需求。模型不仅需要对已知类别进行准确分类，还需要具备识别和处理未知类别的能力，这对于提高模型的鲁棒性和适应性至关重要。
开集识别（Open Set Recognition）
热门推荐
Black的博客
09-01 1万+
开集识别 闭集识别 ​ 训练集中的类别和测试集中的类别是一致的，最常见的就是使用公开数据集进行训练，所有数据集中的图像的类别都是已知的，没有未知种类的图像。传统的机器学习的算法在这些任务上已经取得了比较好的效果。 开集识别简述 ​ 现实场景中更多的是开放和非静态的环境，比如，一些没有见过的情况会意外出现。针对这一挑战提出的方法有持续学习、迁移学习、域适应、零样本、少样本学习、开集识别和分类等。 ​ 开集识别简单定义是，一个在训练集上训练好的模型，当利用一个测试集（该
open-set recognition(OSR)开集识别
kuxingseng123的博客
11-24 5153
先大致了解是干什么的，然后再慢慢开始研究OSR，争取把 其完全搞透彻，搞彻底再说的样子与打算。
【开集识别论文解读】Few-Shot Open-Set Recognition using Meta-Learning——CVPR2020
cute_cxy的博客
06-03 2377
本文介绍了一种新的开集元学习算法（PEELER）算法，实验结果表明，PEELER在小样本和大规模识别方面都达到了最先进的开放集识别性能。开集识别目前主要的研究是在大规模环境中，使用基于大规模分类器的解决方案。这些尝试通过后处理后验类分布来识别新类，定义一个“拒绝”类，该类使用人工生成的示例或从训练类中采样的示例，或两者的组合进行训练。本文试图将开集识别推广到大规模环境之外：大规模和小样本识别。......
《Towards Open Set Deep Networks》：一文搞懂开集识别算法 OpenMax：
weixin_54353432的博客
05-05 4857
《Towards Open Set Deep Networks》：一文搞懂开集识别算法 OpenMax
【开集识别详细解释】
分享计算机视觉，C++，嵌入式等知识。
11-01 729
开集识别分类出已知类，分辨出那些是未知类，假设我们有一个分类器可以分辨出阿拉伯数字0-9，如果给这个分类器输入一个罗马数字5，该分类器还是只能把结果预测成0-9，还不如遇到这种情况时，不做预测，把它归于未知类。开集识别可分为4类：已知的已知类，已知的未知类，未知的已知类，未知的未知类下面的标签的规律：第一个位置 表示样本，第二个位置表示 标签已知的已知类。
基于深度学习的SAR图像目标识别算法.pdf
08-18
experimental results show that the algorithm can achieve an overall accuracy of 97.2% on the open data set MSATR. 5. 优点 基于深度学习的SAR图像目标识别算法具有以下优点： * 自动提取图像中的深层特征 ...
A Survey on Open Set Recognition.pdf
09-25
Open Set Recognition（OSR）是指机器学习模型在面临未知情况时的识别和处理能力。在这种情况下，模型需要识别和区分已知类别，同时拒绝未知类别。OSR 是机器学习和机器视觉领域中的一个重要研究方向，本文对 OSR 的...
python脚本实现验证码识别
09-20
在Python中，可以通过调用`Image.open()`打开图像，然后使用`convert('L')`进行灰度化处理，再通过`point()`函数结合自定义的阈值函数`set_table(a)`进行二值化。阈值的选择对结果有很大影响，文中选择的是150，高于...
theano学习指南开始1
08-08
在学习算法时，每个算法可能需要不同的数据集。MNIST 数据集是机器学习中广泛使用的数据集，包含60,000个训练样本和10,000个测试样本，每张图片是28x28像素的灰度图像，表示0到9的手写数字。数据集已预先处理并归一...
【开集识别论文解读】C2AE: Class Conditioned Auto-Encoder for Open-set Recognition——CVPR2019
cute_cxy的博客
06-08 1411
开集识别的一般场景设定如图1所示， 我们已知四类图片，但是在测试过程中，可能会出现不属于任何一类的样本，而开集识别的目标就是识别出未知类，并且对已知类正确分类。本文将开集识别任务分成了两个子任务：闭集分类和开集识别。......
半监督方向 & 开集识别 | IOMatch: Simplifying Open-Set Semi-Supervised—论文详解
qwe9152921的博客
11-29 1202
IOMatch实际上依赖的框架仍然是Openmatch，整体分两个分支：分类与OVA检测，创新在于无标记数据的利用方式和损失函数的设计。原本，无标记数据相应的损失由熵最小化和正则项（基于增强的平滑）构成，现在的方案是一方面重新定义了无标记样本的预测概率，然后以强增强样本的开集输出概率作为监督信息计算其交叉熵；另一方面，通过双层过滤策略，筛选闭集识别概率高于设定阈值，且开集未知类识别概率低于设定阈值的数据，利用这些伪已知，进行类似于fixmatch的交叉熵损失，从而进一步优化闭集分类器。XX。
开放集（一）Open Set Domain Adaptation: Theoretical Bound and Algorithm
qq_42595295的博客
02-27 952
这一篇论文感觉十分偏理论，我感觉只是理解了个大概。1.第一步是使用OSNN（开放集最近邻）算法对目标域样本进行标签预测。通过公式（12）得到一个优化后的分类器h。2.计算矩阵L,W。L为拉普拉斯矩阵，可写成D − W, D为对角矩阵，Dii = j=1到 ns+nt 对Wij求和，W矩阵为样本相似度矩阵。3.迭代过程。每一次迭代中，（1）计算MMD矩阵M；（2）通过式（21）计算 β；（3）β的转置×K得到的结果为新一轮更新的目标域伪标签的值。
人脸识别--Open set和Close set的区别
MrCharles在CSDN
06-26 1709
训练和测试人脸识别分类器时，总会提到Open-set和Close-set。这俩词到底是什么概念呢？有什么区别呢？所谓close-set，就是所有的测试集都在训练集中出现过。所以每次的预测直接得出测试图片的ID，如果想测试两张图片是不是同一个人，那么就看这两张图片的预测结果是不是相同的ID。一个形象的例子就是，如果把训练集看做教科书，测试集看做考试的话，那么就是考点都在教科书中。而open-set呢...
（一）开集识别学习 open-set recognition(OSR)
猿猿的小仓库
11-10 2895
因近期要学习并且将Openset的思想融入项目中，所以这里学习了大神的几篇文章。希望后续能够很好的复现并且得到理论支撑。 系列转载自： https://blog.csdn.net/herr_kun/article/details/107354501 1、开集识别学习路径  开始根据自己的遇到的情况进行查询，发现开放长尾识别问题中的开放问题就是目前自己遇到的问题，下面这张图很清晰的展示常见任务的划分标准，后续查询到了自己遇到的问题可以更为具体的归属为开集识别的问题，所以后续一直查询开集识别的一些.
python手写数字识别knn算法不使用sklearn
06-09
好的，我来回答你的问题。手写数字识别是一个常见的机器学习问题，KNN算法是其中一种经典的算法。下面是一个简单的Python代码实现KNN算法进行手写数字识别，不使用sklearn库： ```python import numpy as np import operator def classify(input_data, data_set, labels, k): # 计算距离 data_size = data_set.shape[0] diff_mat = np.tile(input_data, (data_size, 1)) - data_set sq_diff_mat = diff_mat ** 2 sq_distances = sq_diff_mat.sum(axis=1) distances = sq_distances ** 0.5 # 选择距离最小的k个点 sorted_dist_indices = distances.argsort() class_count = {} for i in range(k): vote_label = labels[sorted_dist_indices[i]] class_count[vote_label] = class_count.get(vote_label, 0) + 1 # 返回最终分类结果 sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True) return sorted_class_count[0][0] def load_data(file_path): data_set = [] labels = [] with open(file_path) as f: for line in f.readlines(): line = line.strip() if not line: continue data = list(map(int, line.split(','))) data_set.append(data[1:]) labels.append(data[0]) return np.array(data_set), np.array(labels) if __name__ == '__main__': train_data, train_labels = load_data('train.csv') test_data, test_labels = load_data('test.csv') num_test = test_data.shape[0] error_count = 0 for i in range(num_test): predict_label = classify(test_data[i], train_data, train_labels, k=3) if predict_label != test_labels[i]: error_count += 1 print('错误率为：%f' % (error_count / float(num_test))) ``` 以上代码主要包含了三个函数：classify()、load_data()和main()。其中，classify()函数是KNN算法的核心实现，用于对一个测试样本进行分类；load_data()函数用于加载数据集；main()函数用于测试KNN算法，并输出错误率。 在上述代码中，我们首先使用load_data()函数加载数据集，这里我们使用的是MNIST手写数字数据集。然后，对于测试集中的每一个样本，我们将其传入classify()函数进行分类，并将分类结果与真实标签进行比较，以计算错误率。 需要说明的是，由于本代码实现简单，所以对于大规模的数据集，其运行速度可能会比较慢，因此在实际使用中需要进行优化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 11
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值