自监督表示学习中的特征解耦以实现开集识别

Sep, 2022

自监督表示学习中的特征解耦以实现开集识别

Feature Decoupling in Self-supervised Representation Learning for Open Set Recognition

Jingyun Jia, Philip K. Chan

TL;DR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。

Abstract

Assuming unknown classes could be present during classification, the open set recognition (OSR) task aims to classify an instance into a known class or reject it as unknown. In this paper, we use a two-stage training strategy for the OSR problems. In the first stage, we introduce a self-supervised feature decoupling method that finds the content features of

open set recognition self-supervised learning iir image classification malware detection

发现论文，激发创造

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

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

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

通过双空间一致采样的正交编码特征生成进行迁移学习开放集识别

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

使用具有额外检测头的视觉转换器进行开放集识别

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

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

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

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