Mar, 2022

使用具有额外检测头的视觉转换器进行开放集识别

PDF
TL;DR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。
open set recognitionvision transformerneural networksclassificationcluster
发现论文，激发创造
  • 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

  • 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

  • OSR-ViT：开放式目标检测与发现的简洁模块化框架

    对于开放世界的部署，目标检测器检测和标记新对象的能力对很多实际应用非常关键。本研究提出了一种名为 Open-Set Object Detection and Discovery (OSODD) 的新任务，并且提出了一种称为 Open-Set Regions with ViT features (OSR-ViT) 的检测框架作为解决方案，该框架将无类别假设的倡议网络与强大的 ViT-based 分类器相结合。我们的评估结果表明，OSR-ViT 在性能上远超过现有的有监督方法，并且在低数据场景中表现出色，即使使用少量的训练数据也能优于有监督基线模型。

    Apr, 2024

  • 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

  • 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

  • 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

  • 开放式识别：一个良好的封闭式分类器是否就足够了？

    研究了开放集识别中识别出训练集中语义类别之外的样本与对封闭集类别的准确性有着密切的关联，并通过提高对封闭集类别的准确度来改善基线和现有方法的性能，并提出了一种更好的用于检测语义新颖性的基准数据集。

    Oct, 2021

  • 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

  • 自监督表示学习中的特征解耦以实现开集识别

    本文提出了一种自监督特征解耦方法，用于开放集识别任务，通过利用聚类算法来同步解决训练数据不足和未知类别问题。实验结果表明，自监督方法在图像识别和恶意软件检测的任务中能够优于其他方法，同时提出的内外比率指标与开放集识别的性能相关。

    Sep, 2022

  • LORD: 利用未知数据提升开放集识别能力

    利用 LORD 框架在分类器训练过程中明确建模了开放空间，通过三种模型不可知的训练策略提高了对未知数据的识别，并探索了将混合作为数据生成技术的可行性。

    Aug, 2023