.png){kind=icon}
返回
Multi-Layer Subspace Knowledge Transfer Framework for Open-Set Recognition
.png){kind=icon}
OA
AI
DOI：10.1109/ojcs.2026.3683032.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在多个实际模式分析应用中，方法通常存在关于类别（类）的问题，其中一些类别未参与训练阶段。针对这种开放世界识别场景，迫切需要利用额外知识来消除来自已知和未知类别的样本歧义，因为更多的此类信息会导致更低的开放风险。然而，对于开放集识别问题，尚无明确的从子空间（指示数据类别成员资格）中提取知识的技术。此外，对开放环境中形式化统计决策边界的理论研究尚少。在本文中，我们论证了子空间知识对开放集识别具有积极作用。我们进一步从统计上构建了一个子空间知识转移框架，并证明知识转移能够很好地融入开放集识别。具体而言，我们提出了一个多层子空间知识转移（MSKT）框架用于开放集识别。在MSKT中，我们将其构建为一个可扩展框架，为开放集识别问题提供渐进式解决方案。通过大量实验、与几种最先进方法的比较以及定性分析，展示了所提出的MSKT方法的优势。
Keyword:
Open-set recognition
subspace knowledge
knowledge transfer
multi-layer methods
期刊
I
IF:
8.2
论文数:
427
被引数:
810
机构
引用论文
From few to many: illumination cone models for face recognition under variable lighting and pose
PREAI
分享收藏分享收藏Efficient classification with sparsity augmented collaborative representation.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Knowledge Distillation and Student-Teacher Learning for Visual Intelligence: A Review and New Outlooks视觉智能的知识蒸馏和师生学习: 回顾和新观点
OAAI
OAAI分享收藏分享收藏
查看更多内容