统一的分类和拒绝:一对多的框架
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
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
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
开放环境识别(OWR)是一个新兴领域,使得机器学习模型能够拒绝未知样本,并进行管理,逐步将新样本添加到基础知识。本研究提出了一个评估协议,用于估计模型在内域未知类和外域未知类之间分离能力,通过传统迁移学习、自动化机器学习(AutoML)和最近类均值(NCM)分类器与 First Integer Neighbor Clustering Hierarchy(FINCH)相结合的方法,通过对垃圾、食品、狗、植物和鸟类等五个不同领域进行实验,结果表明所有方法都可以作为一个良好的准确性基线,并且预训练模型的平衡准确率(BACCU)得分有可能在一个或多个感兴趣领域中表现出色,同时强调了预训练模型中的有效表示对于识别相同领域的未知类很重要,进一步拓展了开放环境识别在领域特定任务中的应用前景。
Dec, 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
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
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
本文综述了目前在机器学习中所涉及的异常检测、开放集识别、新颖性检测和习一类学习等不同领域中,如何识别和检测来自于训练集分布之外的样本,从而提出了跨领域的研究方向,这对提高模型的鲁棒性具有重要意义。
Oct, 2021
本文介绍了一种利用深度神经网络作为端到端开放集分类器的方法,并基于类内数据拆分。作者将给定的数据划分为典型和非典型标准子集,使得在异常类的模拟上更有效,即将开放集识别问题转化为传统的分类问题。此外,作者还提出了一种闭集正则化方法,以保证闭集分类性能,通过五个著名的图像数据集上的实验,也证明了该方法的有效性。
Mar, 2019
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