更好地了解自己:多样的判别特征学习改善开放式识别
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
本文是一篇 Open Set Recognition 领域的综述性研究,介绍了现有的开放集识别模型、它们的优劣以及该领域的最新进展,分析了 OSR 与多类别分类和新颖性检测的关系,得出该领域可以有效地处理现实世界中未知的情况结论,并提出了新的研究方向和应用场景。
Aug, 2021
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
研究了开放集识别中识别出训练集中语义类别之外的样本与对封闭集类别的准确性有着密切的关联,并通过提高对封闭集类别的准确度来改善基线和现有方法的性能,并提出了一种更好的用于检测语义新颖性的基准数据集。
Oct, 2021
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
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
本研究提出了一种基于 ViT 技术解决开放集识别问题的新方法,通过集群标识测试示例是否属于已知类别,实现模型性能的提升。在多个开放集基准数据集上的广泛评估表明,该方法显著优于其他基线方法并取得了新的最佳性能。
Mar, 2022
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