本文概述了多种基于生成模型的开放集识别方法，如OpenGAN、AMPF、ASG等，强调了生成未知类数据以增强模型对未知输入的鲁棒性。这些方法通常涉及生成与已知类相似但属于未知类的样本，通过增加模型对异常的辨别能力，提升开放集识别的性能。实验表明，这些方法在多个数据集上取得了一定的提升，但对生成样本的真实性和有效性仍存在疑问和讨论。
我们列举了一些重要的基于生成方式的开放集识别方法，仅供参考
1.OpenGAN: Open-Set Recognition via Open Data Generation（OpenGAN: Open-Set Recognition via Open Data Generation_appron的博客-CSDN博客）
1.1方法（真实挑选+生成常规未知类，分类器仅进行封闭训练）
1.2贡献
- 生成的目标是多分类特征，判别的源也是多分类的特征。（降低了生成难度，似乎非首创）
- 利用真实的离群数据挑选最佳的GAN鉴别器（在训练的某个阶段停止，本文核心贡献，但验证和测试在同一个数据集，未知还是未知吗？）。
- 可用敌对合成的“假”数据来扩充可用的真实开集示例集。（同时利用生成和真实的异常暴露，似乎非首创）
1.3结果与分析：
- 数据集包括MNIST[38]、SVHN[39]、CIFAR，实验设置包括同数据集、跨数据集、像素级，网络架构ResNet18+HRNet，指标包括AUROC、F1-Unknown，实验结果提升较大
- 可以发现验证集中的未知类，对其他未知类的检测能力有证据吗？
2.Adversarial Motorial Prototype Framework for Open Set Recognition（Adversarial Motorial Prototype Framework for Open Set Recognition_appron的博客-CSDN博客）
2.1方法（生成分布外与分布内的未知类，分类器指明目标）
（J1和J2）
(G1)
最低0.47元/天 解锁文章
扫一扫
1047
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
