开放世界分类中的未见类别发现
本文提出一种元学习方法来解决开放世界学习中增量学习和未知类别拒绝的问题。该方法只需要训练一个元分类器,而不需要重新训练元分类器或一个新的分类器来涵盖所有老和新类别。实验证明了该方法的有效性。
Sep, 2018
该文提出了一种名为 OpenNCD 的新的半监督开放世界的未知类别发现方法,它是一种在多个原型上进行的渐进式双层对比学习方法,该方法由两个相互增强的部分组成。首先,介绍了一种双层对比学习方法,然后提出了一个可靠的原型相似度度量方法。对三个图像数据集进行了广泛的实验,结果表明该方法在开放世界的情况下特别有效,特别是在已知类别和标签稀缺的情况下。
May, 2023
本文介绍了一种使用深度神经网络的增强开放式分类过程,通过对无类别数据进行聚类识别新类别并重新训练分类器从而将模型转移到增量学习模型。多次实验均表明该模型的优秀性能。
Oct, 2019
通过引入簇 - 匹配策略和面向跨域开放世界发现设计的目标,CROW 通过在稳定的表示空间中强大地匹配簇和之前见过的类别,从而发现新类别,并通过针对跨域开放世界发现设计的目标来精细调整表示空间,实验结果表明 CROW 在图像分类基准数据集上优于其他基线方法,在 75 个实验设置中平均提高了 8%的性能。
Jun, 2024
研究了在实际场景中半监督学习的一个基本局限性,即未标注的测试数据往往包含以前在标注训练数据中遇到的类。为了解决这个问题,提出了 ORCA,一种端到端的深度学习方法来处理未知类别在标注和未标注数据中的不一致性,并在图像分类数据集和单细胞注释数据集上实验,表明在 ImageNet 数据集上 ORCA 对于已知类别的改善为 25%,对于未知类别的改善为 96%。
Feb, 2021
本文介绍了一种名为 OpenMix 的模型用于在无标签数据中发现新类别,并通过混合标签和伪标签来建立已知和未知示例之间的学习关系,提高模型对新类别的识别能力。
Apr, 2020
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
该论文提出了一种新颖的方法来解决 few-shot open-set recognition 问题;首先,利用 background features 提取 pseudo unseen classes,将决策边界保留给 unseen classes,以更有效地学习分类器;通过对 tieredImageNet、miniImageNet 和 CUB 三个基准数据集的实验,实现了超越多个基准的 state-of-the-art 结果。
Jul, 2022
研究中提出了一种 Open set recognition based on Pseudo unseen data Generation (OPG) 方法,利用相似度学习,通过先学习一个 closed set classifier,再学习如何将已知类别分别与伪未知类别进行比较(通过数据分布转化生成的),从而检测未知类别(或未看到过的类别),实验结果表明,这种基于相似度特征的方法可成功区分开放性识别基准数据集中已知和未知的类别。
Mar, 2022