- CVPR开放集域适应用于语义分割
提出了一种用于语义分割的开放域适应方法,在目标域中包含未知类别,通过构建边界和未知形状感知的开放域域自适应模型 (BUS),利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界,并提出了一种新的领域混合增强方法(OpenReMix) - IJCAI动态对抗动态:一种开放式自学习框架
该研究论文提出了一种新颖的动态方法以解决动态变化的开放场景中开放集识别的问题,通过开放集自学习框架的模型适应性和自匹配模块对未知类别样本的利用,取得了在标准和交叉数据基准测试中的新的性能里程碑。
- 基于人脸表情敏感提示的开放式视频表情识别
在本文中,我们提出了一种针对开放场景的视频人脸表情识别 (OV-FER) 任务,旨在识别不仅包含已知类别,也包含训练中未遇到的新的未知人脸表情。为了克服现有方法对 OV-FER 任务所需的微妙和细微人脸表情模式的不足,我们提出了一种新颖的人 - 基于不确定性引导的无源域自适应与目标独立类别分离
该论文介绍了一种针对无源领域自适应的新方法,通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离,并提出了一种名为 NL-InfoNCELoss 的新对比损失函数,可以增强模型对噪声伪标签的鲁棒性。实验结果表明,该方法在基准数据 - 基于概率驱动的开放世界三维点云语义分割框架
提出了一种概率驱动框架(PDF)用于开放世界语义分割,在点云语义分割网络中引入轻量级的 U-decoder 分支来识别未知类别,并通过生成伪标签提供未知类别的几何特征和概率分布特征,再通过增量式知识蒸馏策略逐渐将新类别纳入现有知识库,使模型 - 开放的连续特征选择通过颗粒球知识传递
该研究论文提出了一种新颖的框架,用于在数据预处理中进行持续特征选择,特别是在存在未知类别可能出现的开放和动态环境下。研究方法结合了持续学习和颗粒球计算的优势,构建了颗粒球知识库来检测未知类别,并促进先前学到的知识的进一步特征选择。通过对公共 - 双向基于不确定性的主动学习用于开放集标注
提出了一种双向不确定性主动学习(Bual)框架,通过将未知类别的样本推向具有高置信度预测的区域,并采用同时估计正负学习带来的不确定性的双向不确定性采样策略来实现从已知类别中获取高信息量样本,并在多个具有不同开放性的数据集上进行了广泛实验证明 - 自学开放世界类的鲁棒半监督学习
提出了一种用于自学习开放世界类别(SSOC)的开放世界半监督学习方法,该方法可以明确地自学习多个未知类别,并通过与熵损失的结合设计了成对相似性损失来有效发现新类别,实验证明其在多个常见分类基准测试中优于现有最先进基线方法,特别是在 Imag - AAAI基于不一致性的数据中心主动开放集注释
基于 NEAT 方法的主动学习能够有效地注释开放集数据,从而优于现有的主动学习方法,解决了现实情况下存在未知类别的标注问题。
- 未知管理:开放集合识别与相关领域综述
本文综述开放集识别领域的最新文献,识别常见实践、限制和与连续学习、分布外检测、新颖性检测和不确定性估计等机器学习研究领域的联系,揭示了开放集识别领域的开放问题,并提出了几个研究方向,以促进和规范未来对更安全的人工智能方法的努力。
- 基于对比注意力的公平学习:开放世界下的连续语义场景理解
通过对比注意力的公平性学习方法,解决持续学习中语义场景理解的灾难性遗忘、公平性、背景转移和未知类的问题,并在 ADE20K、Cityscapes 和 Pascal VOC 等标准基准上取得了最先进的性能。
- AAAICA2:类别不可知自适应特征适应用于一类分类
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 - 学习对抗语义嵌入以实现开放世界的零样本识别
通过结合零样本学习和开放式识别的方法,我们提出一种用于处理未知类别样本的零样本开放式识别问题的模型,通过学习生成未知类别的对抗性语义嵌入来训练分类器,在检测未知类别的同时保持对未见类别的准确分类。
- 通过发散最优化实现视觉识别的噪声通用领域自适应
本文提出了一个名为 “不清晰统一域适应” 的新颖场景,以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域 / 目标域分布不同等挑战的方法,并在多 - 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 - CVPR基于示例的开放式全景分割网络
本研究提出了一种基于样本的开集全景分割网络(EOPSN),针对未知类开启了一项开放式全景分割(OPS)任务,并在 COCO 数据集上构建了标准测试。通过对样本的聚类和伪基准的应用,我们的方法识别了新类别并证明了其在开放式情景下的有效性。
- 开放集领域适应:理论界限与算法
本文提供了第一篇研究开放领域自适应的学习界限,并提出了一种基于分布对齐的新型无监督算法,该算法旨在正则化开放集差异界限,实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。
- CVPRC2AE: 基于类条件的自编码器进行开放式识别
本文提出了一种基于类条件自编码器的开放集识别算法,其训练程序被划分为两个子任务:闭集分类和开放式识别,并使用统计建模的极值理论来建模重构误差以找到识别已知 / 未知类样本的阈值。在多个图像分类数据集上进行的实验表明,所提出的方法比现有技术表 - 基于神经网络的开放集识别表示学习
本文研究开放式识别问题,通过神经网络解决恶意软件分类判断中的未知类别问题,实验结果表明该方法在两个不同领域的三个数据集上比其他方法明显提高。
- 多类开放集分类的生成式 OpenMax
介绍了一种对多类开放集分类问题的新方法 —— 生成式 OpenMax(G-OpenMax),使用生成对抗网络(GAN)进行新颖类别图像的合成,扩展了 OpenMax。在实验中验证了该方法的优越性,同时还提供了一种从开放空间中呈现未知类别的样