Mar, 2021

适用于开放集识别的对抗性互补点学习

PDF
TL;DR通过提出 Adversarial Reciprocal Point Learning 框架，从多类整合的角度来解决开放空间风险，通过 extra-class 空间和互补点等概念来建模未知类别，给出对抗性边界约束和实例增强方法，从而能够有效提升模型对未知类别的判别能力。
open set recognitionmulti-class integrationadversarial reciprocal point learningextra-class spaceunknown distributions
发现论文，激发创造
  • 带有辨别互逆点的开放集网络学习

    该研究提出了新的概念 'Reciprocal Point'，并应用于开放集识别的新学习框架 'Reciprocal Point Learning' 中，用于降低多个未知样本对少量已知数据的风险，并通过边界空间分离未知和已知数据，进一步排除风险，最终在 'Aircraft 300' 等标准数据集上实现了最佳性能。

    Oct, 2020

  • 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

  • 开放集合识别综述

    本文是一篇 Open Set Recognition 领域的综述性研究，介绍了现有的开放集识别模型、它们的优劣以及该领域的最新进展，分析了 OSR 与多类别分类和新颖性检测的关系，得出该领域可以有效地处理现实世界中未知的情况结论，并提出了新的研究方向和应用场景。

    Aug, 2021

  • 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

  • 更好地了解自己：多样的判别特征学习改善开放式识别

    我们通过对开放集识别方法进行分析，重点关注特征多样性方面，揭示了学习多样化辨别特征与提升开放集识别性能之间的显著相关性，并基于此洞见提出了一种利用特征多样性优势的新型开放集识别方法，通过在标准的开放集识别测试平台上进行严格评估，证明我们的方法大幅优于现有方法。

    Apr, 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

  • 基于熟悉度的对抗攻击下的开放集识别

    打开集识别是将分类模型应用于现实世界应用中时的一个关键组成部分，最近的研究表明，基于熟悉度的评分规则（如最大软最大概率和最大逻辑分数）在封闭集准确度较高时是强大的基准。然而，基于熟悉度的开放集识别存在对抗攻击的潜在弱点。本文介绍了基于梯度的对抗攻击方法对熟悉度评分进行攻击，分别针对虚假熟悉性和虚假新颖性攻击，并在 TinyImageNet 上评估了它们在知情和不知情环境中的有效性。

    Nov, 2023

  • 通过背景类别正则化实现准确的开放式识别

    本研究提出在标准分类器结构中使用基于距离的分类器，通过背景类正则化策略来增强开放集识别的鲁棒性，从而避免了复杂的离线分析和网络设计，同时保持高准确性的闭集分类。

    Jul, 2022

  • 开放集合识别中，一切生命平等

    使用 Target-Aware Universum (TAU) 和 Dual Contrastive Learning (DCTAU) 框架，将开放类问题转化为能够有效建模已知类和未知类之间边界的问题，并在实验证明 DCTAU 取得了最新的最高水平。

    Jan, 2024

  • 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