May, 2020

元学习应用于少样本开放集识别

PDF
TL;DR介绍了一种新的 oPen sEt mEta LEaRning（PEELER）算法，使用随机选择集合的新类别以及基于 Mahalanobis 距离的新度量学习方法，解决了开放集识别中的过度拟合问题，并在 few-shot 及 large-scale recognition 中达到了最先进的性能。
open-set recognitionlow-shot classificationsoftmax classifiermeta-learningpeeler algorithm
发现论文，激发创造
  • 现实场景下的带有区域定位的小样本学习

    介绍了三个无需参数的改进方案（a）基于将交叉验证适应到元学习的更好的训练流程，（b）使用有限的边界框注释来定位目标的新型架构，以及（c）基于双线性汇总的特征空间的简单无需参数的扩展，这些改进共同使得算法能够在真实世界的识别问题中表现更好。

    Apr, 2019

  • 利用背景作为未知元素的小样本开放式识别

    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

  • 基于深度卷积神经网络的开放式多任务学习

    使用卷积神经网络，结合误差嵌入器和解码器的多任务学习方法来提高开放式图像识别准确度，同时使用极值理论来模拟未知类别的误差，实验结果表明此方法优于现有的开放式识别算法。

    Mar, 2019

  • Few-shot 优化的广义强化元学习

    提出了一种基于强化学习和元学习的框架来解决 few-shot learning 问题，通过稳定的损失函数来学习最佳的优化算法，从而实现了对参数的更新。实验结果表明该方法在准确率和 NDCG 指标上均超过了现有的替代方法，并且可扩展到网络结构搜索。

    May, 2020

  • 适应任务的负样本预测在 Few-Shot 开放式识别中的应用

    该研究提出了一种基于负类样本生成和使用动态拒绝边界的少样本开放集识别方法，有效地处理开放集分类中的数据限制问题。

    Dec, 2020

  • 基于全球本地化能量的少样本开放式识别学习

    本篇论文提出了一个新的基于能量的混合模型用于 few-shot 开放集识别任务，利用类内和像素级特征来学习全局能量评分，强制模型对偏离 few-shot 示例的样本分配大的能量分数，在三个标准数据集上取得了最优秀的性能。

    Apr, 2023

  • 使用类内分割进行开放式识别

    本文介绍了一种利用深度神经网络作为端到端开放集分类器的方法，并基于类内数据拆分。作者将给定的数据划分为典型和非典型标准子集，使得在异常类的模拟上更有效，即将开放集识别问题转化为传统的分类问题。此外，作者还提出了一种闭集正则化方法，以保证闭集分类性能，通过五个著名的图像数据集上的实验，也证明了该方法的有效性。

    Mar, 2019

  • 开放集合识别的最新进展：综述

    本文综述了现有的开放集识别技术，包括相关定义、模型表示、数据集、评估标准和算法比较，在此基础上简要分析了其与零样本学习、有样学习、分类拒绝等相关任务的关系，并指出现有方法的局限性，并指出一些有前途的研究方向。

    Nov, 2018

  • 未知管理：开放集合识别与相关领域综述

    本文综述开放集识别领域的最新文献，识别常见实践、限制和与连续学习、分布外检测、新颖性检测和不确定性估计等机器学习研究领域的联系，揭示了开放集识别领域的开放问题，并提出了几个研究方向，以促进和规范未来对更安全的人工智能方法的努力。

    Dec, 2023

  • 基于神经网络的开放集识别表示学习

    本文研究开放式识别问题，通过神经网络解决恶意软件分类判断中的未知类别问题，实验结果表明该方法在两个不同领域的三个数据集上比其他方法明显提高。

    Feb, 2018