Open set/world learning 笔记2：Toward Open Set Recognition

        在如今计算机视觉算法大都采用闭集（closed set）识别，即是测试（testing）时候的种类完全在训练（training）时遇见过。而开集（open set）识别，则需要在测试时候遇见未知的种类（class），这就需要强大的泛化能力的算法来实现。作者表示：开放集识别在文献中只得到有限的处理，而且几乎所有之前的工作都集中在评估（evaluation）方面。  在相关工作部分，作者给出了目前处理Open Set Recognition的许多方法，并重点讨论了SVM在这一领域的应用。

        作者定义了openess来描述一个开集中未知类占比的程度，开度为0时代表着问题为闭集（clossed set）：

        作者首先讲解了计算机视觉领域的分类（Classificatioin）和识别（Recognization）问题的差异。分类问题是在给定所有类别的前提下区分数据，而识别问题则是在一个更大的空间中识别一些已知类别，同时这个空间也包含未知的类别。在某种意义上，当我们对可能的类（class）的知识非常有限时，检测（Detection）就成为开集识别的一种特殊情况

        针对开集识别问题，作者提出了一种名为“1-vs-set machine”的解决方案，它利用线性核的1类或二元支持向量机的边缘距离来构造决策空间。这个方法可以用于目标识别以及人脸识别领域，并且与常规的SVM方法进行对比实验，取得了显著的成果。

    

        其中的方形图片属于训练集，椭圆形图片属于测试集。为了改善整体的开放集识别错误，“1-vs-set”通过从基础SVM中获得决策边界A周围的核心边缘来平衡未知类，通过添加另一个平面Ω，来专门化（specializing）得到的半空间。然后对两个平面进行泛化（Generalizing）或专门化(如图所示)，以优化经验和开放空间风险。

       

原文链接：Toward Open Set Recognition | IEEE Journals & Magazine | IEEE Xplore