【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。
- 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。
- 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。
- 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。
- 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]。
- 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。
- 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:
- 在上述问题的激励下,我