Learning Placeholders for Open-Set Recognition

【43】Zhou D W, Ye H J, Zhan D C. Learning Placeholders for Open-Set Recognition[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 4401-4410.

概述：

传统的分类器是在封闭集下部署的，训练类和测试类都属于同一个集。然而，现实世界的应用可能会面临未知类别的输入，而模型会将它们识别为已知类别。在这种情况下，开放集识别被提出来，以保持对已知类别的分类性能并拒绝未知类别。封闭集模型对熟悉的已知类别实例做出了过于自信的预测，因此，在扩展到开放集环境时，跨类别的校准和阈值成为基本问题。

为此，提出了学习开放集识别的占位符（PROSER），它通过为数据和分类器分配占位符来为未知类别做准备。

1. 学习数据占位符是为了预测开放性类别的数据，从而将封闭性训练转变为开放性训练。
2. 同时，为了学习目标类和非目标类之间的不变信息，将分类器占位符作为已知和未知之间的特定类别边界。
3. 提出的PROSER通过流形混合有效地生成新的类，并在训练中自适应地设置保留的开放集分类器的值。
4. 在各种数据集上进行的实验验证了提出的方法的有效性

促进开放集识别的目的可以概括为一个校准问题[8, 34]。

1. 首先，为了使封闭集模型为未知类别做好准备，应该增加新类别的数据占位符，并将开放集转化为封闭集。
2. 其次，为了更好地分离已知实例和未知实例，应该通过为新类别保留分类器占位符来校准过度自信的预测。

主要贡献：

1. 在上述问题的激励下，我