論文の概要: Evolving from Unknown to Known: Retentive Angular Representation Learning for Incremental Open Set Recognition
- arxiv url: http://arxiv.org/abs/2509.06570v1
- Date: Mon, 08 Sep 2025 11:35:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:04.090266
- Title: Evolving from Unknown to Known: Retentive Angular Representation Learning for Incremental Open Set Recognition
- Title（参考訳）: 未知から未知へ進化する: インクリメンタルオープンセット認識のためのリテーティブAngular表現学習
- Authors: Runqing Yang, Yimin Fu, Changyuan Wu, Zhunga Liu,
- Abstract要約: 漸進的開集合認識(IOSR)のための相対角表現学習(RARL)を提案する。
我々は,クラス間の明確なマージンを強制することによって,既知の表現をコンパクト化する仮想内在的インタラクティブ(VII)トレーニング戦略を採用する。
我々は,CIFAR100とTinyImageNetデータセットの徹底的な評価を行い,IOSRの新しいベンチマークを確立する。
- 参考スコア（独自算出の注目度）: 12.916854998734621
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing open set recognition (OSR) methods are typically designed for static scenarios, where models aim to classify known classes and identify unknown ones within fixed scopes. This deviates from the expectation that the model should incrementally identify newly emerging unknown classes from continuous data streams and acquire corresponding knowledge. In such evolving scenarios, the discriminability of OSR decision boundaries is hard to maintain due to restricted access to former training data, causing severe inter-class confusion. To solve this problem, we propose retentive angular representation learning (RARL) for incremental open set recognition (IOSR). In RARL, unknown representations are encouraged to align around inactive prototypes within an angular space constructed under the equiangular tight frame, thereby mitigating excessive representation drift during knowledge updates. Specifically, we adopt a virtual-intrinsic interactive (VII) training strategy, which compacts known representations by enforcing clear inter-class margins through boundary-proximal virtual classes. Furthermore, a stratified rectification strategy is designed to refine decision boundaries, mitigating representation bias and feature space distortion caused by imbalances between old/new and positive/negative class samples. We conduct thorough evaluations on CIFAR100 and TinyImageNet datasets and establish a new benchmark for IOSR. Experimental results across various task setups demonstrate that the proposed method achieves state-of-the-art performance.
- Abstract（参考訳）: 既存のオープンセット認識(OSR)メソッドは通常、モデルが既知のクラスを分類し、固定されたスコープ内で未知のクラスを識別することを目的とした静的シナリオのために設計されている。
これは、モデルが新たな未知のクラスを連続データストリームから段階的に識別し、対応する知識を取得するべきだという期待から逸脱する。
このような進化するシナリオでは、以前のトレーニングデータへのアクセスが制限されていたため、OSR決定境界の識別が困難になり、クラス間の混乱が深刻になる。
この問題を解決するために,漸進的開集合認識(IOSR)のためのRARL(retentive angular representation learning)を提案する。
RARLでは、未知の表現は、等角的タイトなフレームの下に構築された角空間内で、不活性なプロトタイプを囲むように調整され、知識更新中に過剰な表現のドリフトを緩和する。
具体的には、境界近位仮想クラスを通じてクラス間の明確なマージンを強制することにより、既知の表現をコンパクト化する仮想内在的インタラクティブ(VII)トレーニング戦略を採用する。
さらに、決定境界を洗練させ、表現バイアスを緩和し、古・新・正・負のクラスサンプルの不均衡に起因する特徴空間歪みを緩和する成層補正戦略を設計する。
我々は,CIFAR100とTinyImageNetデータセットの徹底的な評価を行い,IOSRの新しいベンチマークを確立する。
各種タスク・セットアップにおける実験結果から,提案手法が最先端性能を実現することを示す。
関連論文リスト
- Electromagnetic Scattering Kernel Guided Reciprocal Point Learning 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) - Resilience to the Flowing Unknown: an Open Set Recognition Framework for Data Streams [6.7236795813629]
本研究では、分類とクラスタリングを組み合わせて、ストリーミングシナリオにおけるテキストオーバ占有空間問題に対処するオープンセット認識フレームワークの適用について検討する。
論文 参考訳（メタデータ） (2024-10-31T11:06:54Z) - An Information Compensation Framework for Zero-Shot Skeleton-based Action Recognition [49.45660055499103]
ゼロショットの人間の骨格に基づく行動認識は、トレーニング中に見られるカテゴリ外の行動を認識するモデルを構築することを目的としている。
従来の研究では、シーケンスの視覚的空間分布と意味的空間分布の整合性に焦点が当てられていた。
強固で頑健な表現を得るために,新たな損失関数サンプリング手法を提案する。
論文 参考訳（メタデータ） (2024-06-02T06:53:01Z) - Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection [0.0]
オープンセット認識(OSR)は、より現実に近い状況に分類タスクを導入することを目的としている。
本研究は,OSRタスクの分類を改善するために,特徴空間の新たな表現を探索するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2024-05-09T15:15:34Z) - 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) - Activate and Reject: Towards Safe Domain Generalization under Category
Shift [71.95548187205736]
カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。
未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。
従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
論文 参考訳（メタデータ） (2023-10-07T07:53:12Z) - Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。
本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。
複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
論文 参考訳（メタデータ） (2022-07-05T16:25:34Z) - 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)
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。