传统开放集识别方法

最新推荐文章于 2022-10-07 11:14:35 发布
最新推荐文章于 2022-10-07 11:14:35 发布
阅读量808 收藏 3
点赞数
分类专栏： 开放集识别 文章标签： 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pingguolou/article/details/125455527
版权

1.SVM类

1-vs-set(定义，风险最小化问题，二分类隔板1-vs-set svm)

  • BFHC:增加各种平板限制，类似于GEPSVM，TSVM
  • OCSSVM:基本和1-vs-set的ocsvm版本一致
  • OC-EPCC:多面体凌锥分类器

W-SVM（多分类，CAP,匹配和非匹配EVT，RBF核保证风险有界）

  • PISVM（多分类，匹配EVT）:分类分数区分不同已知类，EVT指明已知的概率。
  • OSSVM（针对RBF SVM添加正则项使偏置项为非负，避免偏置为负时的无限开放空间风险，不需要EVT）
  • CBSSVM（基于相似度空间，由于距离的引入可以产生有限的开放空间风险）
  • POSSVM(通过验证集概率)

2.其他类

EVM：引入距离到极值理论中，类似于对抗代换点的概念，也有有限开放空间风险。

SENCForest：引入完全随机树

SENC-MaS：Class Matrix Sketching用低秩矩阵来近似原始信息，降低复杂度

GPD+GEV: 改进EVM的部分缺陷，克服EVM已知类和未知类的几何形状不同时的开放集识别任务

HFCN and HPLS:？非主流方法

LACU-SVM：Local learning

  • 如果一个样本在特征空间中与训练样本相距甚远，则被认为是新颖的[5]。决策不需要考虑所有已知的样本，而是可以通过只从k个最近的邻居中学习一个新颖性检测模型，以特定于样本的方式进行。
  • 视觉对象的高度多样性。视觉特征在特征空间中的分布是非常复杂的，即使是未知的类别也只是与已知的类别略有不同。

OSNN:最佳样本距离比（不同类的最近距离）：这个例子是说没怎么说明风险可管理的呢？

OSOPF+GP+fusion

SROSR:重建损失


 

appron
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
OCDVAEContinualLearning:本文的开源代码-Source code learning
03-25
通过生成性重播和开放集识别实现我们的论文《统一概率深度持续学习》的代码 这个软件库包含了我们PyTorch代码： Martin Mundt，Sagnik Majumder，Iuliia Pliushch和Visvanathan Ramesh： “通过生成的重放和开放集识别实现统一的概率深度持续学习” 该代码使用增长的单头分类器（参见图1a），基于近似后验的开放集识别机制（参见图1b的潜在空间，使CDVAE成为OCDVAE模型）实现了我们提出的统一（O）CDVAE模型。以统计异常值拒绝率重播（请参见图1c），以进行持续学习。 我们还为抽象数据集类提供了代码，可以将现有数据集转换为类增量式连续学习方案或跨数据集连续学习设置。 要求 我们列出了所需的主要python软件包。 原则上，我们的代码应与许多不同的版本一起使用。 为了在以后的时间点具有完全的可重复性，我们还在撰写本文时为机器的精确
开放集识别（基于生成模型）
pingguolou的博客
06-23 3108
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
一类学习（OCSVM）
围城
11-02 9906
20201102 - 0. 引言 我记得我第一次接触一类学习的时候，是在一本讲解异常流量的书上。大概18年的时候，当时有一个需求，就是所处的场景下，只能拥有一类数据，而其他类的数据，要不获取不到，要不获取了也不具备什么代表性，总体上就是这么一个场景。由此接触到了一类学习，而一类学习中，比较著名的就是基于SVM的解决方法，关于SVM的讲解，可以看博客中另外一篇文章《支持向量机SVM的学习》，那么本篇文章就来具体讲讲一类SVM是一个什么套路。 本篇文章主要参考了两篇国外的博客来进行学习，分别是数学原理角度和代码
开放集识别的最新进展总结（源于Recent Advances in Open Set Recognition: A Survey）
pingguolou的博客
06-07 9738
摘要：在现实的识别/分类任务中，由于受到各种客观因素的限制，在训练一个识别器或分类器时，通常很难收集到训练样本来涵盖所有的类。更现实的情况是开放集识别(open set recognition, OSR)，在训练时存在对世界不完整的知识，测试时可以将未知的类提交给算法，这就要求分类器不仅要对可见的类进行准确的分类，还要有效地处理不可见的类。本文提供了对现有开放集识别技术的全面调查，涵盖了从相关定义、模型表示、数据集、评估标准和算法比较等各个方面。此外，我们还简要分析了OSR与零样本、一次样本(少样本)识别/
开放集识别方法之极值机（The Extreme Value Machine，2018 TPAMI）
pingguolou的博客
07-23 2550
问题概述：识别新类并增量学习新类，即监督学习的分类算法应当能够拒绝未知类，把这些未知类孤立出来。（开放集识别）这样就可以人工标记这些未知类，然后以增量的方式加入到原来的分类器中，进一步强化分类能力。（增量学习） 背景： 方案与主要贡献：建立了一个理论上健全的分类器——极值机(EVM)。EVM从统计极值理论(EVT)中得到了很好的解释，是第一个能够进行非线性无核可变带宽增量学习的分类器。与同一深度网络衍生特征空间中的其他分类器相比，该分类器在ImageNet数据集的基准分区上具有较高的准确率和效率。贡献
开放集识别
pingguolou的博客
06-09 4627
0.摘要 1.到目前为止，在计算机视觉中，几乎所有基于机器学习的识别算法的实验评估都采用了封闭集识别的形式，即在训练时已知所有测试类。对于视觉应用来说，一个更现实的场景是开放集识别，在训练时存在不完整的世界知识，在测试时未知的类可以提交给算法。本文探讨了开集识别的性质，并将其定义形式化为约束最小化问题。现有算法不能很好地解决开放集识别问题，因为它需要很强的泛化能力。作为解决方案的一个步骤，我们引入了一个新的1-vs-set机器，它雕刻一个决策空间的边缘距离的1-class或binary svm的线性...
awesome_OpenSetRecognition_list:与开放集识别，分发外，开放​​集域适应和开放世界识别相关的精选论文和资源清单
05-12
很棒的开放集识别列表 与开放集识别，分发外，开放​​集域适应和开放世界识别相关的精选论文和资源清单 注意： 此列表并不详尽。 为了公平起见，表使用字母顺序。 内容 异常检测 开放集域适应 开放世界认可 执照...
手势识别数据集-Dataset.rar
03-14
2. **特征提取**：传统方法可能使用手工设计的特征，如HOG（Histogram of Oriented Gradients）或SIFT（Scale-Invariant Feature Transform）。然而，现代方法通常采用卷积神经网络（CNN）进行端到端的学习，其中...
基于Tensorflow实现的开集模型OpenMax-ResNet
最新发布
08-25
OpenMax是开放集识别的一种方法，它扩展了传统的softmax函数，用于估计样本属于未知类别的概率。在OpenMax中，除了已知类别的概率之外，还会计算一个额外的“开放概率”，表示样本可能是未知类别的概率。这个开放...
全球可持续能源数据集.rar
08-10
全球可持续能源数据集是研究和分析全球能源使用、可再生能源发展以及环境可持续性的重要资源。这个数据集通常包含了丰富的...同时，数据集的开放性和可共享性也有助于促进跨学科的合作，提升全球能源研究的效率和质量。
Open-Set-Recognition:开放集识别
03-18
公开集识别项目 使用PyTorch进行的开放集识别项目。 如有任何问题，请发送电子邮件 注意：由于我的实验性实现（特别是我的方法），需要重新构造。 要求 对于不同的算法和不同的数据集，要求会有所不同。通常，基本和必不可少的要求是： # pytorch 1.4+, torchvision 0.7.0 + pip3 install torch torchvision # sklearn pip3 install -U scikit-learn # numpy pip3 install numpy # scikit-learn-0.23.2 pip3 install -U sklearn 对于OpenMax： pip3 install libmr 对于绘制MNIST： pip3 install imageio pip3 install tqdm 配套 数据集 CIFAR-100（完成）
2019语言与智能技术竞赛数据集
11-27
同时，可能还会结合传统的信息抽取技术，如规则匹配、词性标注和命名实体识别，以提高性能。 总的来说，2019年的语言与智能技术竞赛数据集提供了一个理想的平台，推动了研究者在三元组抽取和知识图谱构建领域的创新...
Open-world Machine Learning: Applications, Challenges,and Opportunities || 阅读笔记
m0_46297969的博客
10-07 2079
研究背景：传统的机器学习（主要是监督学习）遵循封闭世界学习的假设（将当前未知的事物都设为假的假设），对于他们每个测试类都有一个训练类可用。然而，这样的模型无法识别训练期间看不见的类（即看不见的类）,开放世界机器学习（OWML）则处理看不见的类。研究内容：first 概述OWML对现实世界的重要性；next 探索和讨论OWML的不同维度。本文对OWML的各种技术进行了系统评价；介绍了OWML的研究差距、挑战和未来方向。研究意义：本文将帮助研究人员了解 OWML 的全面发展以及将研究扩展到合适领域的可能性。
Open Set Recognition for Automatic Target Classification With Rejection
pingguolou的博客
06-17 443
0.摘要 监督下的分类任务的训练集通常范围有限，只包含几个类别的例子。在实践中，在训练中没有出现过的类被赋予了总是不正确的标签。开放集识别（OSR）算法通过为分类器提供一个拒绝未知样本的选项来解决这个问题。在这项工作中，我们介绍了一种新的OSR算法，并将其性能与当前其他用于开放集图像分类的方法进行比较。 1. 引言 通常情况下，用于自动目标识别的监督分类器是使用代表相对较少的目标类别的数据集来训练的。为了证明这种封闭集分类器的有效性，它们经常使用可能被一些噪声或其他因素干扰的训练类的样本进行测试。然而
Distance-Based Background Class Regularization for Open-Set Recognition
pingguolou的博客
05-23 232
用于开放集识别的基于距离的背景类正则化 摘要： 在开放集识别（OSR）中，分类器应该能够拒绝未知类样本，同时保持强大的封闭集分类性能。为了解决基于预训练的Softmax分类器的OSR问题，以前的研究调查了离线分析，例如，基于距离的样本拒绝，这可以限制已知类数据项的特征空间。由于这类分类器仅基于已知类样本进行训练，因此可以使用背景类正则化（BCR），在训练阶段将背景类数据作为未知类数据的替代物，以提高OSR的性能。 然而，以前的正则化方法限制了OSR的性能，因为它们将已知类数据归入一个单一的组，然后旨在
linux下MPI、XGBoost
wd1603926823的专栏
06-28 2765
OpenCV3.2自带的SVM不支持多线程，http://pisvm.sourceforge.net/installation.html  这个piSVM好像支持。一、安装MPI按照这个教程，先检查是否安装了MPI，我的电脑里没有按照，于是先下载MPI  ： http://www.mpich.org/downloads/  然后按照http://www.linuxidc.com/Linux/201...
文献阅读 7.26
qq_39019359的博客
07-26 867
7.26 近期汇报
Learning Deep Classifiers Consistent With Fine-Grained Novelty DetectionCVPR2021开放集识别论文解读
pingguolou的博客
11-02 278
【15】Cheng J, Vasconcelos N. Learning Deep Classifiers Consistent With Fine-Grained Novelty Detection[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 1664-1673. 本文引入了在CE loss的基础上，增加了类条件高斯分布损失，进行开放集识别。 在训练中，本文的损
Conditional Gaussian Distribution Learning for Open Set Recognition CVPR2020开放集识别论文解读
pingguolou的博客
11-02 827
[17] Sun X , Yang Z , Zhang C , et al. Conditional Gaussian Distribution Learning for Open Set Recognition[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2020. 在本文中，我们提出了一种新的方法，即条件高斯分布学习（CongDL，实际可以看成是条件阶梯式VAE，不过...
开放集条件下的贝叶斯语义实例分割方法
传统的语义实例分割方法依赖于全面的类别注释，这在实际应用中往往难以实现，特别是在开集条件下，即图像可能包含训练时未见过的未知类。这篇论文探讨了如何在这样的环境中进行有效的语义实例分割。 论文中提出的开...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值