A novel network training approach for open set image recognition

appron

已于 2022-07-04 16:04:25 修改

阅读量238

点赞数

分类专栏：开放集识别文章标签：深度学习机器学习计算机视觉

于 2022-05-21 22:16:55 首次发布

本文链接：https://blog.csdn.net/pingguolou/article/details/124903512

版权

58 篇文章 86 订阅

订阅专栏

摘要：

卷积神经网络（CNN）通常是为封闭集安排而设计的，其中测试实例只属于训练中使用的一些 "已知的"（KK）类。因此，它们根据KK类的分布来预测测试样本的类别标签。
然而，当在开放集识别（OSR）设置下使用时（输入可能属于 "未知的未知 "或UU类），这样的网络将总是把测试实例分类为KK类之一，即使它来自UU类。
作为一种解决方案，最近，基于生成对抗网络（GAN）的数据增强已经被使用。在这项工作中，我们提出了一种新的方法来挖掘 "已知未知训练者 "或KUT集，并设计一个深度OSR网络（OSRNet）来利用这个数据集。我们的目标是通过KUT集向OSRNet传授UU的本质，KUT集实际上是一个被挖掘出来的 "硬已知未知否定 "的集合。一旦经过训练，OSRNet就可以检测到UU，同时在KK上保持高分类精度。
我们在六个基准数据集上评估了OSRNet，并证明它优于当代OSR方法。

方法：

第一步（划分数据集）：将一个数据集Dx划分为已知类Dkk,仅测试用的未知类Duu,仅训练用的未知类Dkut。

第二步（训练模型）：1）使用已知类Dkk训练已知分类器 2）对于一个额外提供的数据集Dx，筛选其中最大得分大于阈值的样本得到Dkut3）提取已知类Dkk和仅训练用的未知类Dkut的FC层和softmax层的两层特征。4).使用已知类Dkk和仅训练用的未知类Dkut的两层特征训练异常检测模型。

第三步测试：如下图，很简单

实验结果：

算了不给了，方法太简单了。。。。

关注