CVPRDec, 2020

适应任务的负样本预测在 Few-Shot 开放式识别中的应用

PDF
TL;DR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。
few-shot open-set recognitionnegative class envisionthreshold tuningfew-shot closed-set classifiersdynamic rejection boundaries
发现论文，激发创造
  • 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

  • 通过变换一致性进行少样本开放集识别

    探讨了在少量标注样本的情况下，如何通过提出的样本识别器 SnaTCHer，将未知类别的样本进行有效区分，以提高未知类别样本的检测性能。

    Mar, 2021

  • 领域自适应几样本开放集学习

    我们提出了一种新颖的方法，称为域自适应少样本开放集识别（DA-FSOS），并引入了一种基于元学习的架构命名为 DAFOSNET。我们的模型通过在给定完全监督的源域和标签独立的少样本目标域的情况下创建伪开放空间决策边界来学习共享和可区分的嵌入空间，并使用一对具有可调噪声方差的条件对抗网络来增强数据密度。此外，我们提出了一种特定于域的批归一化类原型对齐策略，通过新的度量目标在全局上对齐两个域，同时确保类别辨别性。我们基于 Office-Home、mini-ImageNet/CUB 和 DomainNet 数据集提出了 DA-FSOS 的三个基准，并通过广泛的实验验证了 DAFOSNET 的有效性。

    Sep, 2023

  • 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

  • 被错误分类的样本是魔鬼：迈向统一的开放集识别

    本文深入分析了 UOSR 任务在不同训练和评估设置下的性能，并评估了几种 OSR 方法的 UOSR 性能。我们发现 UOSR 性能明显优于相同方法的 OSR 性能，原因在于已知但错误分类的样本。我们还探讨了 OSR 的两种训练设置如何影响 UOSR，提出了新的评估设置 few-shot UOSR，并提出了 FS-KNNS 来实现在所有设置下的最先进性能。

    Feb, 2023

  • 元学习应用于少样本开放集识别

    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。

    May, 2020

  • 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

  • 针对区分度和可迁移性的一阶段少样本目标检测器

    提出了 Few-shot RetinaNet (FSRN) 算法，该算法解决了传统单级 FSOD 算法性能较弱的问题，主要是通过在损失函数中增加前景样本并使用广阔的感受野和增强转移技术来提高判别能力和可转移性，比两级 FSOD 算法快近两倍且性能更优。

    Oct, 2022

  • 通过开放集识别和未知样本检测的进展实现知情决策

    机器学习技术为数据提供更深入和实用的洞察力，帮助企业做出明智的决策；此研究提供了一种算法来改善开放集识别任务中的分类，通过探索特征空间的新表示方法，提高了分类的准确性。

    May, 2024

  • 开放集图像识别综述

    本文总结了最新的开放式图像识别方法的发展，主要包括了基于深度神经网络的方法在粗粒度和细粒度数据集上的性能比较以及对比分析，同时讨论了该领域的若干开放问题和未来可能的研究方向。

    Dec, 2023