CVPRApr, 2023

基于全球本地化能量的少样本开放式识别学习

PDF
TL;DR本篇论文提出了一个新的基于能量的混合模型用于 few-shot 开放集识别任务，利用类内和像素级特征来学习全局能量评分，强制模型对偏离 few-shot 示例的样本分配大的能量分数，在三个标准数据集上取得了最优秀的性能。
few-shot open-set recognitionhybrid modelenergy-based scoreclass-wise featurespixel-wise features
发现论文，激发创造
  • 适应任务的负样本预测在 Few-Shot 开放式识别中的应用

    该研究提出了一种基于负类样本生成和使用动态拒绝边界的少样本开放集识别方法，有效地处理开放集分类中的数据限制问题。

    Dec, 2020

  • 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

  • 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

  • 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

  • 开放集合人脸表情识别

    我们提出了一种新的面部表情识别模型，将小类间距的劣势转化为优势，通过注意力图的一致性和循环训练来检测开放集样本，实验证明我们的方法在各种面部表情识别数据集上明显优于现有的开放集识别方法。

    Jan, 2024

  • 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

  • 领域自适应几样本开放集学习

    我们提出了一种新颖的方法，称为域自适应少样本开放集识别（DA-FSOS），并引入了一种基于元学习的架构命名为 DAFOSNET。我们的模型通过在给定完全监督的源域和标签独立的少样本目标域的情况下创建伪开放空间决策边界来学习共享和可区分的嵌入空间，并使用一对具有可调噪声方差的条件对抗网络来增强数据密度。此外，我们提出了一种特定于域的批归一化类原型对齐策略，通过新的度量目标在全局上对齐两个域，同时确保类别辨别性。我们基于 Office-Home、mini-ImageNet/CUB 和 DomainNet 数据集提出了 DA-FSOS 的三个基准，并通过广泛的实验验证了 DAFOSNET 的有效性。

    Sep, 2023

  • 用于细粒度开放集识别的潜在空间能量模型

    本文探讨了在细粒度视觉世界中基于低维潜在空间与能量模型的先验分布的开放集识别问题，提出了一个属性感知信息瓶颈（AIB）模块、一个残差属性特征聚合（RAFA）模块和一个基于不确定性的虚拟异常点合成（UVOS）模块，分别改善了精细化类别样本的表达能力、细粒度和密度。该方法可利用近期的视觉变换器进行强大的视觉分类和生成，并在精细化和通用的视觉分类数据集上得到验证，同时保持了生成高分辨率逼真图像的能力。

    Sep, 2023

  • 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