多类开放集分类的生成式 OpenMax

Jul, 2017

Generative OpenMax for Multi-Class Open Set Classification

ZongYuan Ge, Sergey Demyanov, Zetao Chen, Rahil Garnavi

TL;DR介绍了一种对多类开放集分类问题的新方法 —— 生成式 OpenMax（G-OpenMax），使用生成对抗网络（GAN）进行新颖类别图像的合成，扩展了 OpenMax。在实验中验证了该方法的优越性，同时还提供了一种从开放空间中呈现未知类别的样本的方法。

Abstract

We present a conceptually new and flexible method for multi-class open set classification. Unlike previous methods where unknown classes are inferred with respect to the feature or decision distance to the known classes, our approach is able to provide explicit modelling and decision s

multi-class open set classification generative openmax gans deep learning unknown classes

发现论文，激发创造

OpenGAN: 开放集合生成对抗网络

本研究提出一种基于度量空间和开放集 GAN 结构的生成模型，利用度量学习模型提取语义信息来生成类别和细粒度相似的图像，支持生成超越 GAN 训练样本集的图像，数据增强实验表明该方法显著提高了分类器的性能。

Mar, 2020

OpenGAN: 通过开放数据生成实现开放集合识别

本篇论文提出了 OpenGAN 方法，结合了两种区分开放和封闭集的概念性方法，并通过一些技术手段解决这些方法的局限性，实现了机器学习中开放集识别领域的性能显著提升。

Apr, 2021

激活极大化生成对抗网络

本文系统研究了当前使用类别标签的生成对抗网络 GANs 以及相关的分类信息对 GAN 网络的训练和生成效果的影响，并提出了一种新的基于激活最大化的 AM-GAN 生成对抗网络方案，在 CIFAR-10 数据集上实现了 8.91 的 state-of-the-art Inception 得分，并提出 AM 得分评价指标以更准确地评估生成样本质量。

Mar, 2017

开放集合深度网络

该研究提出了一种新型的 OpenMax 模型，通过引入 Meta-Recognition 概念到网络的倒数第二层的激活模式中，估计输入图像来自未知类别的概率，从而实现深度学习神经网络的开放式识别，极大地提高了开放式识别准确性。

Nov, 2015

多生成器生成对抗网络

本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

Aug, 2017

OSSGAN: 开放集半监督图像生成

介绍了一种具有挑战性的条件 GAN 训练方案，称为开放集半监督图像生成，该方案的训练数据集由带有标签的数据和属于带有标签的数据类别之一的样本的未标记数据两部分组成，通过熵正则化，使用有标记数据训练的分类器能够将样本的重要性量化为置信度，从而允许我们使用所有未标记数据样本进行训练。本文设计的 OSSGAN 提供了决策指针，用于判断未标记图像是否属于感兴趣的类别之一，相较于 BigGAN 和半监督方法，实验结果表明，在 Tiny ImageNet 和 ImageNet 数据集上取得了显著提升。

Apr, 2022

使用条件概率生成模型进行开集识别

本文提出了一种新的条件概率生成模型（CPGM）框架，将辨别信息引入到概率生成模型中，以检测未知样本并分类已知类别。通过在多个基准数据集上进行实验，证明该方法明显优于基线并取得了新的最佳性能。

Aug, 2020

使用 GAN 生成类别独特和类别共有的图像

提出了分类器后验 GAN（CP-GAN），它通过将分类器的后验融入生成器输入并优化生成器来实现，以实现捕捉类别之间的关系并有选择地生成图像。

Nov, 2018

用于图像分类的主动生成对抗网络

本研究提出了一种结合有监督的条件生成对抗网络和主动学习的新模型，以更小的代价获得数据的标记，且生成的样本能有效地提高流行的图像分类任务中的分类性能。

Jun, 2019

基于生成对抗网络的无监督与半监督分类学习

本文提出了一种从未标记或部分标记的数据中学习判别分类器的方法，该方法基于一种目标函数，该函数在观察到的示例和它们预测的分类分布之间进行互信息交换，并对分类器抵抗对抗性生成模型的鲁棒性进行了权衡。我们实证评估了我们的方法 - 我们将其命名为分类生成对抗网络（或 CatGAN）- 在合成数据以及具有挑战性的图像分类任务上，展示了所学习分类器的鲁棒性。此外，我们定性地评估了由随着判别器学习的对抗性生成器生成的样本的保真度，并确定了 CatGAN 目标和判别聚类算法（如 RIM）之间的联系。

Nov, 2015