开放集识别的最新进展总结（源于Recent Advances in Open Set Recognition: A Survey）

Life-long learning终身学习（一机多能）[1]，[2]：一个网络结构、方法能够胜任所有的任务，类似于Continuous Learning，Never ending Learning，Incremental Learning，Multi-task learning。
transfer learning迁移学习[3]，[4]，[5]
domain adaptation域适应[6]，[7]
zero-shot（从样本学描述，借助描述进行分类） [8]，[9]，[10]，one-shot (few-shot) [11]，[12]，[13]，[14]，[15]，[16]，[17]，[18]，[19]，[20]识别/学习(只用几个样本进行分类，用的方法是度量两个样本是否属于同一类)
开放集识别/分类[21]，[22]，[23]。

————————————————

1.2考虑不同的四种样本

前面的已知未知表示是否有标记样本（标记信息）。

后面的已知未知表示能不能说明这个类别是什么类，以及这个类长什么样（描述信息）。

注意：标记信息并不能标记所有样本，而描述信息可以描述所有样本。例如，我只标记了十张马的照片，但并不能标记所有马的照片，并不能说明这个类就是马了，更不能说明马都长成这些样子。但描述信息可以说明所有马的共性特点，可以说这个类是马，以及马长什么样。
注意：具体这个描述信息是仅仅告诉你这个类是什么（明确类），或者还包括这个类长什么样要看具体设置（明确类含义）。
注意：可以理解成类标记打在样本上（样本级），描述信息描述在类上（类级）。通常的分类是对样本进行分配类标记（样本级），当样本缺少类标记时，不能学习样本到类标记的映射，此时可以学习样本到描述的映射，来匹配类的描述，再根据匹配结果分配类标记。

已知的已知类(KKCs)：有类标记信息，有类别描述信息的样本;有类标记，并告诉你这个类是什么，或者还告诉你这个类都长什么样。
已知的未知类(KUCs)：有类标记信息，无类别描述信息的样本;有类标记，但不告诉你这个类是什么，也不告诉你这个类都长什么样。
未知的已知类(UKCs)：无类标记信息，有类别描述信息的样本;没有类标记，但告诉有这么个类，还告诉你这个类都长什么样。
未知的未知类(UUCs)：无类标记信息，无类别描述信息的样本;没有类标记，也不告诉有什么类，更不告诉什么类都长什么样了。

————————————————

1.3这些学习概念与这四类样本的关系。

传统分类：对明确类的正常标记样本进行训练与分类。（描述信息这里只指明确类）

带拒绝选项的分类：对明确类的正常标记样本进行训练与分类，如果分类结果置信度低的话，拒绝这个分类结果，可以待人工二次判断。（描述信息这里只指明确类）

异常检测：对明确类的正常标记样本进行训练（或还包括少量没有明确类的异常样本），对有明确类的正常样本和没有明确类的异常样本进行分类。（描述信息这里只指明确类）

one/few-shot学习（参考人脸识别中的人脸比对）：对明确类含义的正常标记样本进行训练，以及迁移到只有类描述的样本上训练，最后在有类描述的样本上进行分类（描述信息这里只指明确类含义）

zero-shot:对明确类含义的正常标记样本进行训练,通过学习类别描述的方式来学习分类（样本—>类别描述—>类）,对具有类别描述信息的样本进行分类，期望也能通过样本—>类别描述—>类实现分类。（描述信息这里只指明确类含义）

open-set:对明确类的正常标记样本进行训练，对有明确类的正常样本和拒绝其他非明确类的样本。（描述信息这里只指明确类）

2.基本符号&相关定义

2.1开放空间风险的定义

开放空间风险即将开放空间 O（远离已知数据的未知空间）中的样本标注为已知类别带来的风险，它被形式化为开放空间 O 相对于整体测度空间的相对测度，计算如下

2.2开放性的定义

开放性openness 用来定义开放空间（或者说开放识别问题）的开放程度，令 $C_{TA}$ 、 $C_{TR}$ 和 $C_{TE}$ 分别表示：待识别类的集合、训练中使用的类的集合和测试中使用的类的集合。则对应的问题开放性O为:

考虑到考虑以下简单的情况： $C_{TA}\subseteq C_{TR}\subseteq C_{TE}$ ， $\left | C_{TA} \right |=3$ ， $\left | C_{TR} \right |=10$ ， $\left | C_{TE} \right |=15$ 会导致O < 0，其次，也考虑问题的开放性应该只取决于 $C_{TR}$ 知识和 $C_{TE}$ 知识，而不是 $C_{TA}$ 、 $C_{TR}$ 和 $C_{TE}$ 三个方面的知识。对开放性公式重新校准为：

2.3开放集识别问题

开放集识别问题就是既要最小化传统的经验风险，也要最小化上面提出的开放空间风险。换句话说，开放集识别的目标就是找到一个可测量的识别函数f 来最小化以下开放集风险的（其中后一项为经验风险，V为为训练数据）:

3.OSR技术分类

现有技术都是在一定的约束下，从判别和生成的角度对OSR建模进行了探索。根据建模形式，这些模型可进一步分为四类(见表2)：

基于传统ML (TML)的判别方法
基于深度神经网络(DNN)的判别方法
基于实例的生成方法
基于非实例的生成方法

3.1基于传统ML (TML)的判别方法

3.1.1基于SVM

Scheirer等人首先提出了1-vs-Set，该机制在建模中纳入了开放空间风险项，以解释超出KKCs合理支持范围的空间。具体来说，他们在得分空间中加入另一个与SVM得到的分离超平面相平行的超平面，从而在特征空间中形成一个一定厚度的厚片slab。线性核厚片模型的开放空间风险定义如下:。其中

最低0.47元/天解锁文章

appron

关注

24
点赞
踩
113

收藏

觉得还不错? 一键收藏
1
评论
开放集识别的最新进展总结（源于Recent Advances in Open Set Recognition: A Survey）

摘要：在现实的识别/分类任务中，由于受到各种客观因素的限制，在训练一个识别器或分类器时，通常很难收集到训练样本来涵盖所有的类。更现实的情况是开放集识别(open set recognition, OSR)，在训练时存在对世界不完整的知识，测试时可以将未知的类提交给算法，这就要求分类器不仅要对可见的类进行准确的分类，还要有效地处理不可见的类。本文提供了对现有开放集识别技术的全面调查，涵盖了从相关定义、模型表示、数据集、评估标准和算法比较等各个方面。此外，我们还简要分析了OSR与零样本、一次样本(少样本)识别/
复制链接

扫一扫