C2AE: Class Conditioned Auto-Encoder for Open-Set RecognitionCVPR2019开放集识别论文解读

【16】 Oza P ,  Patel V M . C2AE: Class Conditioned Auto-Encoder for Open-Set Recognition[C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2019..

本文引入了在CE loss的交叉熵分类基础上，增加了条件自编码器损失的条件自编码器，进行开放集识别，命名为C2AE。

在训练中，包括两个阶段，其损失分别为交叉熵和类条件自编码器损失。其中，第一阶段的交叉熵损失和普通的一样，用来提高已知分类准确率。在第二阶段，固定第一阶段训练的部分，对于类条件自编码器损失，本文利用一个类别匹配嵌入和类别不匹配嵌入，结合到嵌入特征一起用来进行重建，当样本特征和类别特征匹配时，以alpha权重最小化重建损失，不匹配上，以1-alpha权重最小化重建损失。 因此综合损失函数为

（第一阶段）

 

 在训练完之后，要为匹配的重建损失和非匹配的重建损失各建立一个极值机，并且设计一个决策的阈值，这个决策值是一个由pu参数绝对的量，即观察到未知样本的先验概率为pu。

 在测试中， 可以根据设定一个阈值，然后对于一个样本，和所有类的类别嵌入特征分别进行重建，当重建误差最小的类别的重建损失仍然大于阈值时，则分类为未知，否则为取得最小重建损失的类。