CVPRApr, 2018

基于层次结构的视觉物体识别新颖性检测

PDF
TL;DR研究了一种基于层次分类框架的、更加信息化的新颖性检测方案，该方案可以使用置信校准分类器和数据重新标记等方法，找到一个新类的最接近的超级类，并为其他常用语义嵌入提供了改进的泛化零 - shot 学习性能。
deep neural networksnovelty detectionhierarchical classificationconfidence-calibrated classifierszero-shot learning
发现论文，激发创造
  • 多类别新颖性检测的深度迁移学习

    本研究提出了一种基于迁移学习的深度神经网络模型，通过采用新颖的成员损失函数和全局负过滤器增强了模型性能，从而实现有效的多类新颖物体检测。

    Mar, 2019

  • 阈值式新颖检测的持续改进

    在动态、开放的情境中评估时，神经网络在检测未知类别时遇到困难。本文提出了一种新方法，通过线性搜索和基于样本交叉验证选择门槛值，自动适应性地检测新颖性，从而提高 MNIST、Fashion MNIST 和 CIFAR-10 的总准确率。

    Sep, 2023

  • 基于对抗学习的一类分类器用于新奇性检测

    本文提出了一种基于生成式对抗网络的端到端架构，用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题，其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明，该方法有效地学习了目标类，并优于基线和最先进的方法。

    Feb, 2018

  • 提高少样本目标检测的新类别识别

    利用半监督学习技术，通过自动定位和使用未标记的新对象提高少样本目标检测的性能，并通过新的区域建议网络策略提高目标检测模型的感知能力，取得了超过现有最先进方法的性能。

    Mar, 2023

  • 探索大规模零样本图像分类的分层图表示

    提出了一种基于层次图知识表示的置信度分类方法，命名为 HGR-Net，用于零样本学习和大规模图像识别，可以有效地识别未见过的类别并区分它们与已见过的类别，在 ImageNet-21K 基准测试中，性能比其他现有技术提升了 7%。

    Mar, 2022

  • 通过深度转移聚类学习发现新的视觉类别

    该研究考虑了在图像集合中发现新对象类别的问题，使用先前的相关但不同的图像类别的先验知识降低聚类的歧义，改善新发现类别的质量，其中使用了 Deep Embedded Clustering、传输学习、表示瓶颈、时间集成、一致性和类别估计等多种技巧，并在 ImageNet、OmniGlot、CIFAR-100、CIFAR-10 和 SVHN 等许多基准测试中显著优于现有技术。

    Aug, 2019

  • 视觉现实构建与分面分类

    本文主要探讨机器学习和计算机视觉领域中的目标识别问题，认为其根源在于缺乏知识表示方法，因此提出了一种基于图像属性的分类方法，并在 ImageNet 数据集上进行了验证。

    Feb, 2022

  • 无偏的新类别发现和定位

    通过 Debiased Region Mining (DRM) 方法和半监督对比学习来解决目标检测中的偏见问题，提出了一种能够有效发现、定位和聚类新类别的训练器，其在 NCDL 基准测试中显著优于先前的方法，成为了新的最先进技术。

    Feb, 2024

  • 新颖程度对于半监督表征学习用于新类别检索的影响

    本研究探讨使用半监督学习方法在训练集中加入未标记的新类图片，以提高表示学习在搜索新类别图片时的效率，并提出了一种新的评估方法来评估基于半监督学习方法的表示学习，在语义差异较大时，相比于传统监督学习，基于半监督学习的表示学习可以在搜索新类别图片时取得更好的效果。

    Aug, 2022

  • 基于深度学习分类器的图像新型故障检测与分级标签

    现代故障分类系统中的一个重要特征是在面对以前未见过的故障类型时能够警示系统。本文考虑了基于深度神经网络的故障分类器的未知故障检测能力。具体而言，我们提出了一种方法，即在可用的情况下，使用有关故障分类法（fault taxonomy）的标签来提高未知故障检测性能，而不损失模型性能。为实现这一目的，我们提出利用软标签技术来改进先进的深度新颖故障检测技术，并提出用于在线新颖故障检测的层次一致的检测统计量。最后，我们在热轧钢生产过程中的检测图像中展示了对新颖故障检测的提高性能，结果在多个场景和基准检测方法中得到了良好的复制。

    Mar, 2024