ICLRFeb, 2023

被错误分类的样本是魔鬼：迈向统一的开放集识别

PDF
TL;DR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。
open-set recognitionunified open-set recognitiontraining settingsevaluation settingsfew-shot uosr
发现论文，激发创造
  • 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

  • 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

  • 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

  • OpenAUC: 面向 AUC 导向的开放集识别

    本文对开放集识别任务中现有度量方法进行系统分析，并提出了一种新的度量方法 OpenAUC，旨在解决现有方法的不一致性问题。最终，本文提出了一种基于端到端学习的方法，通过最小化 OpenAUC 风险来实施开放集识别。实验结果表明，该方法具有良好的性能。

    Oct, 2022

  • 学习对抗语义嵌入以实现开放世界的零样本识别

    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

  • 反事实零样本和开放集视觉识别

    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