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
提出了一种针对零样本学习和开放式识别的可靠反事实框架,通过引入计数事实的概念来对未知类别进行样本生成,使用一致性规则进行二元分类,从而有效地减轻了样本类别分布不平衡的问题。
Mar, 2021
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
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
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
提出了一个迭代的迁移学习框架,名为 IT-OSR,用于开放集识别问题,其核心包括可靠性采样、特征生成和基线更新模块,并且在标准化数据集和交叉数据集设置中,通过引入具有典型交归开放集问题的数据集上两种典型的归纳 OSR 方法来获得了比 15 种现有方法更好的性能。
Jul, 2022
本研究提出了一种基于 ViT 技术解决开放集识别问题的新方法,通过集群标识测试示例是否属于已知类别,实现模型性能的提升。在多个开放集基准数据集上的广泛评估表明,该方法显著优于其他基线方法并取得了新的最佳性能。
Mar, 2022
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
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
通过结合零样本学习和开放式识别的方法,我们提出一种用于处理未知类别样本的零样本开放式识别问题的模型,通过学习生成未知类别的对抗性语义嵌入来训练分类器,在检测未知类别的同时保持对未见类别的准确分类。
Jul, 2023