多类别新颖性检测的深度迁移学习
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
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
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
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
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
本文提出一种简单有效的方法,通过两个阶段解决多分类的新颖性检测问题,第一阶段使用无监督聚类算法获得伪类别标签,第二阶段通过这些伪类别标签使用标准的有监督离群检测方法,实验结果表明该方法优于现有最先进方法。
Dec, 2021
本文提出了一种基于知识迁移的新型目标检测算法,基于训练一个单一的多类目标检测器,可以实现在语义层次结构中的所有源类上训练。该技术可以应用于多个数据集,并且在 ILSVRC 2013 检测数据集上已经成功实现了目标检测领域的业界新纪录。
Aug, 2017
我们提出了一种基于已知类数据的无监督新类发现问题的解决方案,其中关键挑战在于将已知类数据中的知识传递到新类的学习中。我们引入了一种基于模型预测的类分布的类关系表示来对新类进行建模,并提出了一个新颖的知识蒸馏框架用于规范新类的学习,通过语义相似性自适应地促进知识传输。通过在多个基准数据集上的广泛实验证实了我们方法的有效性和泛化性,结果表明我们的方法几乎在所有基准数据集上显著优于先前的最先进方法。
Jul, 2023
该研究通过异常检测机制识别未知数据,并在其中学习新类别,通过增加空类来扩充深度神经网络模型的语义空间,实现无监督学习。在图像分类和语义分割任务中进行的实验验证了该方法的有效性。
Apr, 2023