論文の概要: Spatial Location Constraint Prototype Loss for Open Set Recognition
- arxiv url: http://arxiv.org/abs/2110.11013v2
- Date: Mon, 25 Oct 2021 02:30:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 11:40:53.660928
- Title: Spatial Location Constraint Prototype Loss for Open Set Recognition
- Title(参考訳): オープン集合認識のための空間的位置制約型プロトタイプロス
- Authors: Ziheng Xia, Ganggang Dong, Penghui Wang, Hongwei Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 17.725082940096257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the challenges in pattern recognition is open set recognition.
Compared with closed set recognition, open set recognition needs to reduce not
only the empirical risk, but also the open space risk, and the reduction of
these two risks corresponds to classifying the known classes and identifying
the unknown classes respectively. How to reduce the open space risk is the key
of open set recognition. This paper explores the origin of the open space risk
by analyzing the distribution of known and unknown classes features. On this
basis, the spatial location constraint prototype loss function is proposed to
reduce the two risks simultaneously. Extensive experiments on multiple
benchmark datasets and many visualization results indicate that our methods is
superior to most existing approaches.
- Abstract(参考訳): パターン認識の課題の1つはオープンセット認識である。
クローズドセット認識と比較すると,オープンセット認識は経験的リスクだけでなくオープンスペースリスクも減少させる必要があり,これら2つのリスクの低減は既知のクラスを分類し,未知のクラスを識別することに相当する。
オープンスペースのリスクを軽減する方法がオープンセット認識の鍵です。
本稿では,未知のクラスの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。
そこで,この2つのリスクを同時に低減するために,空間的位置制約プロトタイプ損失関数を提案する。
複数のベンチマークデータセットに対する大規模な実験と多くの可視化結果は、我々の手法が既存のアプローチよりも優れていることを示している。
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) - 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) - Towards Open-set Gesture Recognition via Feature Activation Enhancement
and Orthogonal Prototype Learning [4.724899372568309]
ジェスチャー認識は人間と機械の相互作用における基礎的なタスクである。
頑健なシステムにおいて、未知の無関心な動作を効果的に識別し、拒否することが不可欠である。
本稿では,2つの新しい特徴,特徴のアクティベーションレベル,投射の不整合性を利用した,より効果的なPL手法を提案する。
論文 参考訳(メタデータ) (2023-12-05T06:49:15Z) - Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。
ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
論文 参考訳(メタデータ) (2023-08-01T02:07:47Z) - 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) - 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) - Adversarial Reciprocal Points Learning for Open Set Recognition [21.963137599375862]
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。
論文 参考訳(メタデータ) (2021-03-01T12:25:45Z) - 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) - Learning Bounds for Risk-sensitive Learning [86.50262971918276]
リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。
最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
論文 参考訳(メタデータ) (2020-06-15T05:25:02Z)
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。