学习用于开集医学诊断的大边界稀疏嵌入

Jul, 2023

学习用于开集医学诊断的大边界稀疏嵌入

Learning Large Margin Sparse Embeddings for Open Set Medical Diagnosis

Mingyuan Liu, Lu Xu, Jicong Zhang

TL;DRProposing Open Margin Cosine Loss (OMCL) for open-set recognition in medical fields, this research paper introduces Margin Loss with Adaptive Scale (MLAS) and Open-Space Suppression (OSS) mechanisms to improve classification accuracy and performance.

Abstract

Fueled by deep learning, computer-aided diagnosis achieves huge advances. However, out of controlled lab environments, algorithms could face multiple challenges. Open set recognition (OSR), as an important one, states that categories unseen in training could appear in testing. In medic

open-set recognition deep learning medical imaging margin loss feature space descriptors

发现论文，激发创造

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

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

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

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

基于熟悉度的对抗攻击下的开放集识别

打开集识别是将分类模型应用于现实世界应用中时的一个关键组成部分，最近的研究表明，基于熟悉度的评分规则（如最大软最大概率和最大逻辑分数）在封闭集准确度较高时是强大的基准。然而，基于熟悉度的开放集识别存在对抗攻击的潜在弱点。本文介绍了基于梯度的对抗攻击方法对熟悉度评分进行攻击，分别针对虚假熟悉性和虚假新颖性攻击，并在 TinyImageNet 上评估了它们在知情和不知情环境中的有效性。

Nov, 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

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

通过鲁棒原型挖掘的开放集识别

本文提出了一种新的原型挖掘和学习（PMAL）框架，通过高质量和多样性的原型集来优化嵌入空间，以区分已知和未知对象，实验证明了该框架相对于现有技术的显着性能提升。

Mar, 2022

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

将生成型半监督学习与生成型开放集识别相联系

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。

Mar, 2023