Dec, 2023

开放式识别中未知类别领域识别模型评估：一个提案

PDF
TL;DR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。
open-world recognitionunknown domainevaluation protocolpre-trained modeldomain-specific tasks
发现论文，激发创造
  • 无监督识别未知物体的开放世界物体检测

    该研究论文提出了一种新颖的方法，通过学习无监督的辨别模型来识别真实的未知对象，并通过无分类训练方法对模型进行进一步改进，实现在检测未知对象方面显著优于先前的方法，在 MS COCO 数据集上保持检测已知对象类别的竞争性表现，并在 LVIS 和 Objects365 数据集上实现更好的泛化能力。

    Aug, 2023

  • 面向开放世界的目标检测

    本文介绍了一个新的计算机视觉问题：“开放领域物体检测”，其中模型的任务是在未经明确监督的情况下识别未引入的对象，并在逐步接收相应标签时增量学习这些已识别的未知类别。阐述了该问题，并提供了一种名为 ORE 的解决方案，基于对比聚类和基于能源的未知物体识别。我们的实验评估和消融研究分析了 ORE 在实现开放世界目标方面的功效。同时，我们发现确定和表征未知实例有助于减少增量对象检测设置中的混淆，我们在没有额外的方法论努力下实现了最先进的性能。希望我们的工作能吸引更多关于此全新但至关重要的研究方向的研究。

    Mar, 2021

  • 重新审视开放世界物体检测

    本文提出了基于开放世界目标检测（Open World Object Detection）的实验设置和基准原则，设计了两个公平的 OWOD 问题特定的评估协议，推出了一个包含辅助 Proposal ADvisor（PAD）和类别特定排除分类器（CEC）两部分的新型有效的 OWOD 框架，在公平的 OWOD 基准测试中，取得了优于其他现有物体检测方法的表现和新的度量方法。

    Jan, 2022

  • 提案层次的无监督域自适应方法用于开放世界无偏探测器

    本研究旨在通过重新定义任务的方式，在无监督域适应的条件下构建一个无偏的前景预测器，利用领域内不变的前景特征学习预测器，从而实现对外观变化的应对能力，本方法在各种检测框架和无监督域适应方法中可实现自适应，经 OWOD 评估验证其在性能上达到了最新水平。

    Nov, 2023

  • 在开放环境中检测和学习非分布数据：算法和理论

    这篇论文在机器学习领域做出了重要贡献，特别是在面对前所未见的数据和情境的开放世界情况下。通过研究开放世界机器学习中的 Out-of-distribution (OOD) Detection 和 Open-world Representation Learning (ORL) 两个关键步骤，该论文提出了算法解决方案和理论基础，为构建性能卓越且在不断变化的复杂实际世界中可靠的机器学习模型铺平了道路。

    Oct, 2023

  • UC-OWOD: 未知类别的开放世界目标检测

    本文提出了一种新的 Open World Object Detection 问题，称为 Unknown-Classified Open World Object Detection (UC-OWOD)，并构建了两个阶段的目标检测器，以解决它所涉及的未知分类问题，并设计了两个新的评估协议用于评估未知类别检测的有效性。

    Jul, 2022

  • 通过判别类原型学习的开放世界物体检测

    基于原型学习的开放世界目标检测方法 OCPL，包括 PEA、ESC、CSC 三个模块，用于学习已知类别的鉴别性嵌入以区分已知和未知类别，相关实验结果验证了该方法的有效性。

    Feb, 2023

  • 统一的分类和拒绝：一对多的框架

    通过使用统一框架和混合训练策略，本文在开放世界模式识别中建立了一个能够同时进行分类和拒绝未知输入的开放集分类器，实验证明该方法在闭集分类、未知输入检测和错误分类检测中表现竞争性。

    Nov, 2023

  • 无需领域内标签：文本领域外检测

    本研究旨在解决无法获取 in-domain 数据标签的情况下，从语言模型和表示学习的角度，通过无监督的聚类和对比学习的结合，对 OOD 检测进行更好的数据表示学习，实验证明该方法的性能显著优于基于概率的方法，并且可以与基于标签信息的监督方法竞争。

    Mar, 2022

  • 开放世界的终身图学习

    我们在开放世界场景中研究了终身图形学习的问题，通过利用 ODD 检测方法来识别新的类别，并将现有的非图形 ODD 检测方法应用于图形数据中，通过聚合图形邻域信息与 OOD 检测方法相结合来进行新类别的检测。我们提出了一种弱监督相关反馈（Open-WRF）方法，用于减少 OOD 检测中阈值的敏感性，并通过在六个基准数据集上的评估结果证明我们的方法在 OOD 评分的邻域聚合上的性能优于现有方法，同时我们证明了我们的 Open-WRF 方法在阈值选择上更为鲁棒，并分析了图形邻域对 OOD 检测的影响。我们的聚合和阈值方法与任意图形神经网络和 OOD 检测方法兼容，使得我们的方法适用于许多实际应用。

    Oct, 2023