CVPRMar, 2020

开放集识别的条件高斯分布学习

PDF
TL;DR本文提出了一种基于 CGDL 的新型方法，可以实现开放集识别并提高已知类别的分类精度，并采用概率阶梯架构来提取高级抽象特征，实验结果表明该方法显著优于基线方法并取得了最新的最优结果。
deep neural networksopen set recognitionvariational auto-encoderconditional gaussian distribution learningimage datasets
发现论文，激发创造
  • 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

  • 有条件变分胶囊网络用于开放集识别

    提出了一种基于胶囊网络的 varational autoencoder 模型来进行开放式识别与未知检测任务，使用高斯先验控制胶囊特征的紧致性，获取了优秀的实验结果。

    Apr, 2021

  • C2AE: 基于类条件的自编码器进行开放式识别

    本文提出了一种基于类条件自编码器的开放集识别算法，其训练程序被划分为两个子任务：闭集分类和开放式识别，并使用统计建模的极值理论来建模重构误差以找到识别已知 / 未知类样本的阈值。在多个图像分类数据集上进行的实验表明，所提出的方法比现有技术表现显著优异。

    Apr, 2019

  • 基于生成模型的不确定性感知深度分类器

    本篇研究提出了一种神经网络模型，该模型能够同时表达 aleatoric 和 epistemic 不确定性，区分特征空间的决策边界和 “out-of-distribution” 区域。在训练过程中，通过集成变分自编码器和生成对抗网络的方法生成了 “out-of-distribution” 样本。通过在多个数据集上进行实验，表明该方法提供了更好的不确定性估计，并且在识别对抗样本时表现出优异的表现。

    Jun, 2020

  • 基于类条件深度生成模型的零样本学习

    本论文提出了一个利用深度生成模型进行类预测的研究方法，不同于其他类似方法依赖于语义嵌入，我们基于属性条件设计了特定于类别的潜在空间分布，并利用这些潜在空间分布作为监督变分自编码器的先验，使其有更强的区分特征表达能力；同时通过无监督学习利用未标记的未见类别数据进行半监督 / 转导学习，并在少样本学习下与现有方法进行了对比测试。

    Nov, 2017

  • 基于贝叶斯变分自编码器的无监督异常检测

    为了解决深度神经网络在面对训练数据分布不同的测试数据时可能会出现的不可靠预测问题，我们提出基于贝叶斯变分自编码器模型的概率无监督方法，以此来检测输入空间和模型潜在空间中的群集分布异常。

    Dec, 2019

  • 深度神经网络不确定性的开放集识别：广义分类器是否需要识别非分布？

    本文探讨了基于预测不确定性的区分内外样本检测问题的解决方案，并通过极值理论的开放集识别方法对不同模型的本体不确定性进行了比较分析。同时通过实验，我们发现生成模型的后验 open set 识别方法优于区分模型和基于预测不确定性的异常检测方法，从而引出了分类器是否需要具备生成能力才能够识别未知类别的疑问。

    Aug, 2019

  • 使用高斯过程回归识别的条件变分自编码器用于参数模型

    本文提出了一种基于数据驱动的方法，结合高斯过程回归和条件变分自编码器 (CVAE-GPRR)，用于参数模型，在实现快速在线预测的同时避免模型复杂性和噪声的影响。

    May, 2023

  • 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

  • 通过过完备分布实现广义零样本学习

    该研究提出了一种通过使用 CVAE 生成超完备分布并在其上使用 OBTL 和 CL 来改进 DNN 在 ZSL 设置下的性能的框架，并在 SUN、CUB 和 AWA2 三个公开基准数据库上进行了评估，结果表明生成超完备分布并迫使分类器从重叠到非重叠分布的转换函数可以提高对已知和未知类别的性能。

    Apr, 2020