开放世界识别
本文介绍了一个新的计算机视觉问题:“开放领域物体检测”,其中模型的任务是在未经明确监督的情况下识别未引入的对象,并在逐步接收相应标签时增量学习这些已识别的未知类别。阐述了该问题,并提供了一种名为 ORE 的解决方案,基于对比聚类和基于能源的未知物体识别。我们的实验评估和消融研究分析了 ORE 在实现开放世界目标方面的功效。同时,我们发现确定和表征未知实例有助于减少增量对象检测设置中的混淆,我们在没有额外的方法论努力下实现了最先进的性能。希望我们的工作能吸引更多关于此全新但至关重要的研究方向的研究。
Mar, 2021
本研究中,我们展示了如何通过一种新的损失函数形式实现全局到局部聚类的类特定特征,从而提高深度开放世界识别算法的性能,并提出了一种学习类特定拒绝阈值的策略,在 RGB-D Object 和 Core50 数据集上进行了实验证明了我们的方法的有效性。
Apr, 2020
通过将表示紧凑性度量值集成到聚类中,我们处理开放世界识别的阈值校准问题,并提出了一种基于图神经网络的统一框架来预测假标签和 vMF 浓度,以实现更为稳健的距离阈值校准。
May, 2023
这篇论文在机器学习领域做出了重要贡献,特别是在面对前所未见的数据和情境的开放世界情况下。通过研究开放世界机器学习中的 Out-of-distribution (OOD) Detection 和 Open-world Representation Learning (ORL) 两个关键步骤,该论文提出了算法解决方案和理论基础,为构建性能卓越且在不断变化的复杂实际世界中可靠的机器学习模型铺平了道路。
Oct, 2023
提出一种基于深度学习架构的机器人知识动态更新方法,该方法可以在不重新训练整个系统的情况下检测和学习感知对象是否属于系统已知的类别集,并可通过手动标注或网络自动挖掘获得新的类别信息以扩展系统知识。
Jun, 2019
综合研究开放环境下机器学习的未知拒绝、新类别发现和类别自适应学习等方面,探讨了当前方法的挑战、原则和限制,以及未来研究的潜在方向。旨在全面介绍新兴的开放环境机器学习范式,帮助研究人员在各自领域构建更强大的人工智能系统,并促进人工通用智能的发展。
Mar, 2024
该论文提出了一种新颖的方法,能够在没有额外训练数据的情况下,同时完成准确的封闭世界语义分割和识别新类别,还提供了每个新发现类别与已知类别的相似度度量,可在规划或映射等下游任务中提供有用信息。通过广泛的实验,我们展示了我们的模型在训练数据中已知类别以及异常分割方面取得了最先进的结果,并且能够区分不同的未知类别。
Mar, 2024
开放环境识别(OWR)是一个新兴领域,使得机器学习模型能够拒绝未知样本,并进行管理,逐步将新样本添加到基础知识。本研究提出了一个评估协议,用于估计模型在内域未知类和外域未知类之间分离能力,通过传统迁移学习、自动化机器学习(AutoML)和最近类均值(NCM)分类器与 First Integer Neighbor Clustering Hierarchy(FINCH)相结合的方法,通过对垃圾、食品、狗、植物和鸟类等五个不同领域进行实验,结果表明所有方法都可以作为一个良好的准确性基线,并且预训练模型的平衡准确率(BACCU)得分有可能在一个或多个感兴趣领域中表现出色,同时强调了预训练模型中的有效表示对于识别相同领域的未知类很重要,进一步拓展了开放环境识别在领域特定任务中的应用前景。
Dec, 2023
我们在开放世界场景中研究了终身图形学习的问题,通过利用 ODD 检测方法来识别新的类别,并将现有的非图形 ODD 检测方法应用于图形数据中,通过聚合图形邻域信息与 OOD 检测方法相结合来进行新类别的检测。我们提出了一种弱监督相关反馈(Open-WRF)方法,用于减少 OOD 检测中阈值的敏感性,并通过在六个基准数据集上的评估结果证明我们的方法在 OOD 评分的邻域聚合上的性能优于现有方法,同时我们证明了我们的 Open-WRF 方法在阈值选择上更为鲁棒,并分析了图形邻域对 OOD 检测的影响。我们的聚合和阈值方法与任意图形神经网络和 OOD 检测方法兼容,使得我们的方法适用于许多实际应用。
Oct, 2023
本文综述了现有的开放集识别技术,包括相关定义、模型表示、数据集、评估标准和算法比较,在此基础上简要分析了其与零样本学习、有样学习、分类拒绝等相关任务的关系,并指出现有方法的局限性,并指出一些有前途的研究方向。
Nov, 2018