Oct, 2018

知情民主：基于投票的动作识别新颖性检测

PDF
TL;DR本论文提出了一种新的方法，通过投票机制结合分类器的不确定度来测量新输入样本的新颖性，并且在 UCF-101 和 HMDB-51 数据集上取得了比最先进的方法更好的结果，在与零样本学习 (ZSL) 相结合的情况下，可以显著提高广义 ZSL 设置下的行动分类准确性。
novelty detectionclosed-set settingvoting-based schemeuncertaintyzero-shot learning
发现论文，激发创造
  • 选举舞弊的新颖性检测：基于代理模拟数据的案例研究

    本文提出了强健的选举模拟模型和独立开发的选举异常检测算法，使用人工生成选举结果数据集进行欺诈检测，并使用 K-means 算法进行分类和检测模型来检测选举结果的欺诈性。

    Nov, 2022

  • 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

  • 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

  • 一种强健的似然函数模型用于新颖性检测

    本文针对深度神经网络在检测新颖性或异常性时容易受到输入数据微小变形的问题，提出了一个旨在学习强大的新颖性检测正确性的先验；同时，将该先验与最先进的新颖性检测方法相结合，并评估了该方法在攻击存在与否的情况下的性能表现，得到了较好的结果。

    Jun, 2023

  • 基于 GAN 的新奇性检测

    通过使用基于生成式对抗网络的方法，我们提出了一种用于同时分类和新颖性检测的多分类判别器，通过从名义和新颖的数据分布混合中生成样本，对于新颖性检测具有最优性能，并且实验结果表明，该方法优于传统方法。

    Feb, 2018

  • 基于层次结构的视觉物体识别新颖性检测

    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。

    Apr, 2018

  • 新奇性检测与对撞机物理

    本研究通过基于自编码器的深度神经网络，在高能物理碰撞实验中开发了一组密度基准的新颖性评估器以实现新物理信号事件的高效检测，并探索了解决非信号区域提供的已知模式数据波动对检测灵敏度的影响并提出了应对策略。结果表明，新物理基准可能具有高效的识别能力。

    Jul, 2018

  • 泛零样本行为识别的非分布检测

    本文提出了一种基于超出分布检测器的广义零样本学习框架，以解决零样本行为识别中的问题。我们使用生成式对抗网络合成了新的动作类别特征，并将其用于训练检测器。实验证明，该方法在三个数据集上的性能优于基准模型（f-CLSWGAN），分类准确率分别提高了 7.0％、3.4％和 4.9％。

    Apr, 2019

  • 全球模型中集成新颖性检测的简单方法

    我们提出了一种将新颖性检测引入世界模型强化学习代理中的直接边界方法，通过利用世界模型产生的虚拟状态与真实观察状态的不一致作为异常得分，有效探测并保护代理在新环境中的性能和可靠性。

    Oct, 2023