Mar, 2023

将生成型半监督学习与生成型开放集识别相联系

PDF
TL;DR本研究在生成对抗网络（GAN）的语境下调查半监督学习（SSL）与开放集识别（OSR）之间的关系，理论和实验比较了最先进的 SSL-GAN 方法和 OSR-GAN 方法，结果显示 SSL 优化边缘 - GANs 在某些 OSR 实验中取得了新的艺术状态。然而，OSR 优化的对抗性互惠点（ARP）-GANs 在其他 OSR 实验中略微优于边缘 - GANs，这表明了对于 SSL-OSR 的联合优化任务的独特见解。
semi-supervised learningopen-set recognitiongenerative adversarial networksssl-gansosr-gans
发现论文，激发创造
  • 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

  • OSSGAN: 开放集半监督图像生成

    介绍了一种具有挑战性的条件 GAN 训练方案，称为开放集半监督图像生成，该方案的训练数据集由带有标签的数据和属于带有标签的数据类别之一的样本的未标记数据两部分组成，通过熵正则化，使用有标记数据训练的分类器能够将样本的重要性量化为置信度，从而允许我们使用所有未标记数据样本进行训练。本文设计的 OSSGAN 提供了决策指针，用于判断未标记图像是否属于感兴趣的类别之一，相较于 BigGAN 和半监督方法，实验结果表明，在 Tiny ImageNet 和 ImageNet 数据集上取得了显著提升。

    Apr, 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

  • 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

  • 智能地利用开放数据的强韧半监督学习

    通过学习理论的角度，我们提出了一种智能选择开放数据集的半监督学习框架 WiseOpen，通过基于梯度方差的选择机制选择友好子集来提高模型的 ID 分类能力，并且提出了两个实际变体 WiseOpen 通过采用低频率更新和基于损失的选择来降低计算开销，广泛实验证明 WiseOpen 的有效性超过了现有技术水平。

    May, 2024

  • 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

  • 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

  • 元优化合成样本的生成半监督学习

    我们提出了一种使用合成数据集来训练半监督学习模型的方法，该方法通过使用基于生成式基础模型训练的合成数据集来替代真实的未标记数据集，并证明了在极少标记数据集的情况下，合成样本比真实未标记数据更有效地提升性能。

    Sep, 2023

  • OpenCoS：用于处理开放集未标记数据的对比半监督学习

    本文提出了一个基于自我监督视觉表征学习框架的 OpenCoS 框架，可以处理开放式半监督学习的情况，通过利用伪标签和软标签来解决现有半监督方法中的失效问题，并通过大量的实验证明了其有效性。

    Jun, 2021

  • 适用于开放集识别的对抗性互补点学习

    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