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