MMJul, 2022

利用背景作为未知元素的小样本开放式识别

PDF
TL;DR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。
few-shot open-set recognitionunseen classesbackground featuresdecision boundariesstate-of-the-art results
发现论文，激发创造
  • 暗中开火：无基准类标签的小样本学习

    通过实验，本研究发现自监督学习在小类别图像识别中的迁移性、鲁棒性、效率及可补充性都超过了传统的少样本学习方法，并以 3.9% 的准确度优势取得了成功，因此需要更深入地研究自监督学习在少样本学习中的作用。

    Oct, 2020

  • Few-shot 分类的深入探究

    这篇论文介绍了几种代表性的 few-shot 分类算法的一致性比较分析，包括修改的基准线方法，新的评估设置等，并揭示了在 backbones 网络较深时，减少类内变异是一个重要的因素，但与使用较浅的 backbones 网络时不太重要的结论。在现实的跨域评估设置中，我们展示了一种标准的微调实践的基准方法与其他最先进的 few-shot 学习算法相比的优越性。

    Apr, 2019

  • 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

  • 基于增强相似性学习的开放式识别

    研究中提出了一种 Open set recognition based on Pseudo unseen data Generation (OPG) 方法，利用相似度学习，通过先学习一个 closed set classifier，再学习如何将已知类别分别与伪未知类别进行比较（通过数据分布转化生成的），从而检测未知类别（或未看到过的类别），实验结果表明，这种基于相似度特征的方法可成功区分开放性识别基准数据集中已知和未知的类别。

    Mar, 2022

  • 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

  • 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

  • 任意次数目标检测

    本文介绍了一种新的物体检测挑战性场景 “Any-shot detection”，并提出了一个统一的模型，可以同时检测零 / 少样本物体类别，其中核心思想是使用类语义作为目标检测的原型，并提出一种重新平衡的损失函数来强调难以检测的少样本情况，但避免在新类别上过拟合。在 Pascal VOC 和 MS-COCO 数据集上的实验表明，该方法可以显著提高检测性能。

    Mar, 2020

  • 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

  • 从未标注的图像中发现部件并进行数据增强的小样本学习

    本文介绍了一种基于元学习的方法，通过学习无标签图像的传递特征来进行 few-shot 学习，同时采用了基于部分的自监督表示学习和部分增强策略来缓解数据稀缺引起的过度拟合问题，并在 miniImageNet 和 tieredImageNet 的基准测试中表现出优异的性能。

    May, 2021

  • 开集识别中基于已知分类的级联未知检测

    深度学习模型在封闭集假设下表现良好，但在开放集条件下部署时遇到困难。本文提出了一种级联未知检测与已知分类方法（Cas-DC），通过学习专门用于已知 / 未知检测和已知类别分类的级联函数，实现在开放集识别任务中优于现代方法的性能表现。

    Jun, 2024