AAAIJan, 2024

探索开放集识别的多样化表示

PDF
TL;DR基于对开集识别的理解并发现学习辅助表示可以从理论上降低开放空间风险，本文提出了一种名为多专家多样注意力融合（MEDAF）的新模型，该模型以辨别性方式学习多样的表示，通过多个学习的专家进行自适应融合，并使用评分函数来识别未知样本，实验证明该模型在开放集识别上能够超越现有的生成模型的 AUROC 高达 9.5%，并以较小的计算成本实现了新的最先进性能，同时也能无缝集成现有的分类模型。
发现论文，激发创造
  • 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

  • 使用条件概率生成模型进行开集识别

    本文提出了一种新的条件概率生成模型（CPGM）框架，将辨别信息引入到概率生成模型中，以检测未知样本并分类已知类别。通过在多个基准数据集上进行实验，证明该方法明显优于基线并取得了新的最佳性能。

    Aug, 2020

  • 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

  • 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

  • 面向开集模型归因的逐步开放空间扩展

    本文提出了一种基于逐步扩展开放空间的解决方案，即 Progressive Open Space Expansion（POSE），用于 Open-Set Model Attribution（OSMA）任务中，以同时将图像归因于已知模型并识别来自未知模型的图像。

    Mar, 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

  • 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

  • 基于难度感知的开放式识别模拟器

    提出了一种新的 DIfficulty-Aware Simulator（DIAS）框架，用于生成具有不同难度水平的假样本以模拟真实世界的情况，在开放集识别（OSR）中超越了现有技术。

    Jul, 2022

  • 通过双空间一致采样的正交编码特征生成进行迁移学习开放集识别

    提出了一个迭代的迁移学习框架，名为 IT-OSR，用于开放集识别问题，其核心包括可靠性采样、特征生成和基线更新模块，并且在标准化数据集和交叉数据集设置中，通过引入具有典型交归开放集问题的数据集上两种典型的归纳 OSR 方法来获得了比 15 种现有方法更好的性能。

    Jul, 2022

  • 自监督表示学习中的特征解耦以实现开集识别

    本文提出了一种自监督特征解耦方法，用于开放集识别任务，通过利用聚类算法来同步解决训练数据不足和未知类别问题。实验结果表明，自监督方法在图像识别和恶意软件检测的任务中能够优于其他方法，同时提出的内外比率指标与开放集识别的性能相关。

    Sep, 2022