論文の概要: Learning Placeholders for Open-Set Recognition

• arxiv url: http://arxiv.org/abs/2103.15086v1
• Date: Sun, 28 Mar 2021 09:18:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 15:03:14.255726
• Title: Learning Placeholders for Open-Set Recognition
• Title（参考訳）: オープンセット認識のための学習プレースホルダ
• Authors: Da-Wei Zhou, Han-Jia Ye, De-Chuan Zhan
• Abstract要約: 既知のクラスに対する分類性能を維持し、未知のクラスを拒絶するPlaceholdeRs for Open-SEt Recognition (Proser)を提案する。 Proserはマニホールドミックスアップによって新しいクラスを効率的に生成し、トレーニング中に予約されたオープンセット分類器の値を適応的に設定します。
• 参考スコア（独自算出の注目度）: 38.57786747665563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional classifiers are deployed under closed-set setting, with both training and test classes belong to the same set. However, real-world applications probably face the input of unknown categories, and the model will recognize them as known ones. Under such circumstances, open-set recognition is proposed to maintain classification performance on known classes and reject unknowns. The closed-set models make overconfident predictions over familiar known class instances, so that calibration and thresholding across categories become essential issues when extending to an open-set environment. To this end, we proposed to learn PlaceholdeRs for Open-SEt Recognition (Proser), which prepares for the unknown classes by allocating placeholders for both data and classifier. In detail, learning data placeholders tries to anticipate open-set class data, thus transforms closed-set training into open-set training. Besides, to learn the invariant information between target and non-target classes, we reserve classifier placeholders as the class-specific boundary between known and unknown. The proposed Proser efficiently generates novel class by manifold mixup, and adaptively sets the value of reserved open-set classifier during training. Experiments on various datasets validate the effectiveness of our proposed method.
• Abstract（参考訳）: 従来の分類器はクローズドセット設定でデプロイされ、トレーニングクラスとテストクラスは同じセットに属する。 しかし、現実世界のアプリケーションはおそらく未知のカテゴリの入力に直面し、モデルはそれらを既知のカテゴリとして認識する。 このような状況下では、既知のクラスにおける分類性能を維持し、未知のクラスを拒否するオープンセット認識が提案されている。 クローズドセットモデルは、既知のクラスインスタンスよりも自信過剰な予測を行うため、オープンセット環境に拡張する際に、カテゴリ間のキャリブレーションとしきい値化が不可欠な問題となる。 そこで我々は,データと分類器の両方にプレースホルダを割り当てることで未知のクラスに備えるオープンセット認識 (proser) のためのプレースホルダの学習を提案した。 具体的には、学習データプレースホルダはオープンセットのクラスデータを予測し、クローズドセットのトレーニングをオープンセットのトレーニングに変換する。 さらに,ターゲットクラスと非ターゲットクラスの不変情報を学習するために,分類器のプレースホルダーを,未知と未知のクラス固有の境界として予約する。 提案するproserは,多様体混合により新しいクラスを効率的に生成し,訓練中に予約されたオープンセット分類器の値を適応的に設定する。 提案手法の有効性を検証した各種データセットの実験を行った。

関連論文リスト

• Cascading Unknown Detection with Known Classification for Open Set Recognition [0.6906005491572401]
  未知分類を用いたカスケーディング未知検出(Cas-DC)について紹介する。 我々は、既知の/未知の検知と、既知の世界のクラス分類の両方のために、カスケード方式で特殊関数を学習する。 実験と解析により、Cas-DCはオープンセット認識においてモダンな手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-10T15:13:07Z)
• LORD: Leveraging Open-Set Recognition with Unknown Data [10.200937444995944]
  LORDは未知のデータを活用することでオープンセット認識を活用するためのフレームワークである。 我々は、背景データを利用した3つのモデルに依存しない訓練戦略を特定し、それらを確立された分類器に適用する。
  論文  参考訳（メタデータ） (2023-08-24T06:12:41Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Open-set Recognition via Augmentation-based Similarity Learning [11.706887820422002]
  ペアの類似点を学習することで未知(または見知らぬクラスサンプル)を検出することを提案する。 我々はOPG(Pseudo unseen data generationに基づくオープンセット認識)と呼ぶ。
  論文  参考訳（メタデータ） (2022-03-24T17:49:38Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• 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 Gaussian Mixture Variational Autoencoders [91.3247063132127]
  推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。 我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。 我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
  論文  参考訳（メタデータ） (2020-06-03T01:15:19Z)
• Hybrid Models for Open Set Recognition [28.62025409781781]
  オープンセット認識は、トレーニングセット内のどのクラスにも属さないサンプルを検出するために分類器を必要とする。 本稿では,入力データを結合埋め込み空間にエンコードするエンコーダと,サンプルを不整クラスに分類する分類器と,フローベース密度推定器からなるOpenHybridを提案する。 標準オープンセットベンチマークの実験では、エンドツーエンドの訓練されたOpenHybridモデルは最先端の手法やフローベースのベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2020-03-27T16:14:27Z)

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。