論文の概要: Adversarial Reciprocal Points Learning for Open Set Recognition
- arxiv url: http://arxiv.org/abs/2103.00953v2
- Date: Tue, 2 Mar 2021 02:04:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:34:04.012285
- Title: Adversarial Reciprocal Points Learning for Open Set Recognition
- Title（参考訳）: オープンセット認識のための対比相互点学習
- Authors: Guangyao Chen and Peixi Peng and Xiangqian Wang and Yonghong Tian
- Abstract要約: オープンセット認識(OSR)は、見たクラスを同時に分類し、見えないクラスを「未知」と識別することを目的としている。
我々は,マルチクラス統合の観点から,オープンスペースリスク問題を定式化する。
未知分布と未知分布の重複を最小限に抑えるために,ARPL(Adrial Reciprocal Point Learning)と呼ばれる新しい学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 21.963137599375862
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open set recognition (OSR), aiming to simultaneously classify the seen
classes and identify the unseen classes as 'unknown', is essential for reliable
machine learning.The key challenge of OSR is how to reduce the empirical
classification risk on the labeled known data and the open space risk on the
potential unknown data simultaneously. To handle the challenge, we formulate
the open space risk problem from the perspective of multi-class integration,
and model the unexploited extra-class space with a novel concept Reciprocal
Point. Follow this, a novel learning framework, termed Adversarial Reciprocal
Point Learning (ARPL), is proposed to minimize the overlap of known
distribution and unknown distributions without loss of known classification
accuracy. Specifically, each reciprocal point is learned by the extra-class
space with the corresponding known category, and the confrontation among
multiple known categories are employed to reduce the empirical classification
risk. Then, an adversarial margin constraint is proposed to reduce the open
space risk by limiting the latent open space constructed by reciprocal points.
To further estimate the unknown distribution from open space, an instantiated
adversarial enhancement method is designed to generate diverse and confusing
training samples, based on the adversarial mechanism between the reciprocal
points and known classes. This can effectively enhance the model
distinguishability to the unknown classes. Extensive experimental results on
various benchmark datasets indicate that the proposed method is significantly
superior to other existing approaches and achieves state-of-the-art
performance.
- Abstract（参考訳）: オープンセット認識(OSR)は,未知のクラスを同時に分類し,未知のクラスを「未知」と識別することを目的として,信頼性の高い機械学習に不可欠であり,ラベル付き既知のデータに対する経験的分類リスクと潜在的未知データに対するオープンスペースリスクを同時に低減する方法がOSRの課題である。
この課題に対処するために,マルチクラス統合の観点からオープンスペースリスク問題を定式化し,新しい概念の相互的視点で未展開のクラス外空間をモデル化する。
これに従い、ARPL(Adversarial Reciprocal Point Learning)と呼ばれる新しい学習フレームワークが提案され、既知の分類精度を失うことなく、既知の分布と未知分布の重複を最小限に抑える。
具体的には、対応する既知のカテゴリを持つクラス外空間で各相互ポイントを学習し、複数の既知のカテゴリ間の対立を利用して経験的分類リスクを低減させる。
次に,相反点によって構築される潜在開空間を制限し,オープンスペースリスクを低減するために,逆マージン制約を提案する。
オープンスペースから未知の分布を更に推定するために、相互ポイントと既知のクラスとの間の逆機構に基づいて、多様で紛らわしいトレーニングサンプルを生成するために、インスタンス化逆拡張法が設計されている。
これにより、未知のクラスに対するモデル識別性が効果的に向上する。
各種ベンチマークデータセットの大規模な実験結果から,提案手法は他の既存手法よりもかなり優れていることが示唆され,最先端の性能が達成された。
関連論文リスト
- Reciprocal Point Learning Network with Large Electromagnetic Kernel for SAR Open-Set Recognition [6.226365654670747]
Open Set Recognition (OSR)は、未知のクラスを「未知」と表現しながら、既知のクラスを分類することを目的とする。
オープンセットSAR分類を強化するために,相互学習ネットワークを用いた散乱カーネルと呼ばれる手法を提案する。
大規模属性散乱中心モデルに基づく畳み込みカーネルの設計を提案する。
論文 参考訳（メタデータ） (2024-11-07T13:26:20Z) - Exploring Diverse Representations for Open Set Recognition [51.39557024591446]
オープンセット認識(OSR)では、テスト中に未知のサンプルを拒絶しながら、クローズドセットに属するサンプルを分類する必要がある。
現在、生成モデルはOSRの差別モデルよりもよく機能している。
本稿では,多種多様な表現を識別的に学習するMulti-Expert Diverse Attention Fusion(MEDAF)を提案する。
論文 参考訳（メタデータ） (2024-01-12T11:40:22Z) - Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。
本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-27T14:47:52Z) - Risk Consistent Multi-Class Learning from Label Proportions [64.0125322353281]
本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。
既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。
経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T03:49:04Z) - Spatial Location Constraint Prototype Loss for Open Set Recognition [17.725082940096257]
オープンスペースのリスクを減らす方法がオープンセット認識の鍵です。
本稿では,未知のクラス特徴と未知のクラス特徴の分布を分析し,オープンスペースリスクの起源を考察する。
論文 参考訳（メタデータ） (2021-10-21T09:34:01Z) - Adversarial Motorial Prototype Framework for Open Set Recognition [16.22539914400299]
オープンセット認識は、既知のクラスを特定し、未知のクラスを同時に拒否するように設計されている。
本稿では,プロトタイプ分類の考え方に基づき,既知のクラスを分類する運動プロトタイプフレームワーク(MPF)を提案する。
第2に,MPFに基づく逆運動プロトタイプフレームワーク(AMPF)を提案する。
第3に,AMPFのアップグレード版であるAMPF++を提案する。
論文 参考訳（メタデータ） (2021-07-13T07:31:34Z) - Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。
従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。
コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
論文 参考訳（メタデータ） (2021-03-03T20:20:48Z) - Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。
本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。
相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
論文 参考訳（メタデータ） (2020-10-31T03:20:31Z) - Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。
CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。
複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2020-08-12T06:23:49Z) - Conditional Gaussian Distribution Learning for Open Set Recognition [10.90687687505665]
オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。
未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。
いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
論文 参考訳（メタデータ） (2020-03-19T14:32:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。