面向开集模型归因的逐步开放空间扩展
基于背门攻击的开放集分类器的合成图像溯源方法 (BOSC),通过注入类特定触发器来诱导网络建立类特征与触发特征的匹配,以此设计分类器并进行样本拒绝的方法。在实验证明该方法在合成图像溯源任务中表现良好,超过了最先进技术,并且对图像处理具有很好的鲁棒性,同时该框架还可应用于其他图像取证应用领域。
May, 2024
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
通过度量学习的方法,我们提出了一种用于实现开放集场景下合成图像源追溯的技术,该技术通过学习可区分不同生成器的可转移嵌入向量,并通过与已知生成器的学习参考点在嵌入空间中的距离来判定图像的真实性。实验结果表明,我们的方法能够在开放集场景下成功追溯合成图像的源。
Aug, 2023
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
使用 Target-Aware Universum (TAU) 和 Dual Contrastive Learning (DCTAU) 框架,将开放类问题转化为能够有效建模已知类和未知类之间边界的问题,并在实验证明 DCTAU 取得了最新的最高水平。
Jan, 2024
分类的目标是将未知样本正确地分配标签。开放式分类(OSC)算法旨在最大化封闭式和开放式识别能力。本文全面比较了各种 OSC 算法,包括基于训练的方法和后处理方法,充分评估它们在模拟真实世界问题中的性能,结果显示 EOS 有助于改善几乎所有后处理算法的性能。
Jun, 2024
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
通过提出 Adversarial Reciprocal Point Learning 框架,从多类整合的角度来解决开放空间风险,通过 extra-class 空间和互补点等概念来建模未知类别,给出对抗性边界约束和实例增强方法,从而能够有效提升模型对未知类别的判别能力。
Mar, 2021
基于对开集识别的理解并发现学习辅助表示可以从理论上降低开放空间风险,本文提出了一种名为多专家多样注意力融合(MEDAF)的新模型,该模型以辨别性方式学习多样的表示,通过多个学习的专家进行自适应融合,并使用评分函数来识别未知样本,实验证明该模型在开放集识别上能够超越现有的生成模型的 AUROC 高达 9.5%,并以较小的计算成本实现了新的最先进性能,同时也能无缝集成现有的分类模型。
Jan, 2024