Towards OpenWorld Recognition

Abhijit Bendale, Terrance Boult

University of Colorado at Colorado Spring

0.摘要

随着计算机技术的发展，丰富的分类模型和高计算能力的视觉识别系统得到了广泛的应用。在现实世界中的识别提出了在受控的实验室环境中不明显的多重挑战。数据集是动态的，必须不断地检测并添加新的类别。在预测时，一个训练有素的系统必须处理无数看不见的类别。操作系统需要最少的停机时间，即使是学习。为了处理这些操作问题，我们提出了开放世界识别的问题并对其进行了正式定义。证明了线性变换特征空间中距离单调递减函数的阈值和可以平衡开放空间风险和经验风险（核心）。我们的理论扩展了现有的开放世界识别算法。我们提出了一个评估开放世界识别系统的协议。本文提出了最近非离群值(NNO)算法，该算法能有效地改进模型，在检测离群值和管理开放空间风险的同时不断增加对象类别。（意义）我们在ImageNet数据集上进行了1.2万多幅图像的实验，以验证我们的方法在大规模视觉识别任务中的有效性。NNO始终如一地在开放世界识别中产生优异的结果。

1.引言

在过去的十年中，用于构建和评估视觉识别系统的数据集在大小和变化上都有所增加。数据集的规模从几百张图片增加到数百万张图片，数据集中的类别数量从几十个类别增加到上千个类别。随着数据集的发展，丰富的分类模型的共同进化导致了许多商业应用[10,46,33]。在将识别系统从受控的实验室环境移植到真实世界的过程中，会遇到许多操作上的挑战。开放世界中的识别系统必须不断更新附加的对象类别，对看不见的类别保持鲁棒性，