AAAISep, 2023

CA2：类别不可知自适应特征适应用于一类分类

PDF
TL;DR在这项研究中，我们提出了一种简单的与类别无关的自适应特征适应方法（CA2），通过在未知类别情况下推广中心化方法并基于预训练网络的现有目标进行优化，证明 CA2 能够提高从 1 到 1024 个训练数据类别的一类分类性能，超越当前最先进的方法。
one-class classificationadaptation methodpre-trained featuresunknown classesocc performance
发现论文，激发创造
  • 探索异常检测的单类分类优化目标

    通过优化目标空间内的规范来改进异常检测，研究发现可以使用适当规范的任何空间作为等效替代，无需依赖于训练样本分布假设，提出了一种简单且与数据无关的深度单类分类方法。

    Aug, 2023

  • 一类分类的关键评审：最新进展及其背后的现实

    对一类分类（OCC）进行全面回顾，检查其实现中所采用的技术和方法，探讨了在不同数据类型（如特征数据、图像、视频、时间序列等）中用于 OCC 的各种方法。通过系统回顾，综合总结了自 OCC 起始到目前的主要策略，重点关注了有前景的应用。此外，该文章批评了主导一类实验的最新图像异常检测（AD）算法，如离群值暴露（二分类）和预训练模型（多分类），与从单一类别中学习的基本概念相冲突。我们的调查表明，用于一类 CIFAR10 基准测试的前九个算法并非 OCC。我们认为二分类 / 多分类算法不应该与 OCC 进行比较。

    Apr, 2024

  • 一类分类：综述

    本文对一类分类的经典统计方法和最新深度学习方法进行了综述，探讨了现有方法的优缺点并指出了未来研究的方向，并讨论了一般所使用的数据集和评估指标。

    Jan, 2021

  • OCCAM: 面向成本效益和准确性感知的图像分类推断

    OCCAM 是一种基于整数线性规划问题的原则方法，用于计算图像分类查询的最佳分类器分配策略，以在用户指定的成本预算下最大化聚合准确性。在各种真实数据集上，OCCAM 实现了 40% 的成本降低，同时准确性几乎没有下降。

    Jun, 2024

  • PANDA: 针对异常检测和分割的预训练特征自适应

    本文研究在异常检测领域中采用预训练特征的方法，并通过对特征的动态适应以及弹性正则化等方式提高异常检测、异常暴露和异常分割的性能，取得了领先于现有方法的效果。

    Oct, 2020

  • 元学习的少样本单类别分类

    本研究提出了一种针对 few-shot one-class classification 问题的元学习算法，通过特定的采样策略在只有少量样本的情况下实现异常检测，并在实验中取得了良好的表现。

    Jul, 2020

  • 一类卷积神经网络

    通过使用中心为零的高斯噪声作为伪负类，并使用交叉熵损失函数来训练网络，学习一个良好的表示以及给定类的决策边界，我们提出了一种基于卷积神经网络的新型一类分类方法。该方法的一个关键特点是任何预训练的卷积神经网络都可以用作一个类分类的基本网络，经过大量实验比较，该方法在一类应用问题（如用户身份验证、异常检测和新颖性检测）方面取得了显著的改进。

    Jan, 2019

  • 聚类到适应：在不同标签之间进行语义分割的少样本领域自适应

    本研究提出了一种聚类适配方法 Cluster-to-Adapt（C2A），通过在转换的特征空间中强制执行聚类目标来选择源和目标域之间可以对齐的类别，从而实现分割数据集领域自适应的跨数据集分类适应。该方法在室内外语境场景下进行的少样本学习和零样本学习中均表现出了比现有方法和基准方法都更好的性能。

    Aug, 2022

  • 插值高斯描述符的深度单类分类

    使用支持插值的高斯描述符，在一类分类（OCC）问题中实现了更好的异常检测性能和更好的鲁棒性。

    Jan, 2021

  • 使用单类神经网络进行异常检测

    本文提出了一种一类神经网络（OC-NN）模型，该模型结合了深层网络提取数据的逐渐丰富的表示能力和创造紧密包围正常数据的单类目标，从而可以检测复杂数据集中的异常值，实验证明该方法表现良好。

    Feb, 2018