Improving open set recognition with dissimilarity-based metric learning

Lucas Teixeira

doi:10.1016/j.knosys.2025.114108

Improving open set recognition with dissimilarity-based metric learning

2025-07-17

0

PRE

AI

George D. C. Cavalcanti

Y

Yandre M. G. Costa

DOI：10.1016/j.knosys.2025.114108

原文链接

原文求助

摘要

En 中文

开放集识别解决了模型必须不仅识别和分类已知类别的样本，还要处理训练集中未出现的未知类别样本的问题。与假设测试时只出现已知类别样本的传统分类器不同，开放集识别必须检测和管理超出训练类别范围的样本。在本文中，我们提出了一种新颖的方法，将基于相异性的表示与任务特定的度量学习相结合，在一个端到端的框架中。相异性表示是一种传统特征空间表示的替代方法，它基于样本之间的差异来表示样本。通过自适应地学习特定于任务的相异函数，我们的方法提高了区分已知和未知类别的能力。我们使用两种流行的表示学习技术，三元组损失和对比损失，在多个实验中评估了所提出的方法：标准开放集识别基准（CIFAR-10和SVHN）、类别缩放场景（DTD和FMD）和语义漂移基准；我们的方法在封闭集准确率和开放集检测方面始终优于基线模型。

Keyword:

open set recognition

dissimilarity representation

metric learning

triplet loss

contrastive loss

Improving open set recognition with dissimilarity-based metric learning

摘要

期刊

机构

引用论文