在人工智能快速发展的今天,开放集识别(Open Set Recognition)作为一项前沿技术正受到越来越多研究者的关注。与传统的封闭集识别不同,开放集识别旨在构建能够应对未知类别样本的智能系统,更贴近真实世界的开放环境。本文将全面介绍开放集识别的概念、挑战和主要研究方向,梳理深度学习和传统机器学习方法在该领域的最新进展,并探讨未来的发展趋势。
开放集识别源于对传统封闭集分类问题的反思。在现实应用中,模型往往需要面对训练时未见过的新类别样本,如何正确拒绝这些未知类别对模型的识别性能至关重要。开放集识别的核心目标就是构建既能准确识别已知类别,又能有效拒绝未知类别的智能系统。
与封闭集识别相比,开放集识别面临以下主要挑战:
未知类别的不确定性:无法预知测试阶段会出现哪些未知类别,增加了建模的难度。
已知类与未知类的界限模糊:在特征空间中,未知类样本可能与已知类有重叠,难以准确区分。
开放性与识别准确性的权衡:过于开放可能导致错误拒绝已知类,而过于保守则可能误将未知类识别为已知类。
小样本场景下的开放集识别:当已知类训练样本稀少时,开放集识别的难度进一步增加。
持续学习与增量学习:如何在保持开放性的同时不断学习新知识,是开放集识别的重要研究方向。
近年来,深度学习在开放集识别领域取得了显著进展。主要研究方向包括:
通过度量样本与类原型之间的距离来判断未知类。代表工作有:
OpenMax[1]:在softmax层之后增加未知类,通过Weibull分布建模距离分布。
ARPL[2]:提出对抗性互反点学习,增强已知类与未知类的可分性。
CGDL[3]:学习条件高斯分布,建模类内特征分布。
通过生成模型学习已知类的分布,用于检测未知样本。代表工作包括:
G-OpenMax[4]:结合GAN生成未知类样本进行训练。
OSRCI[5]:利用条件VAE重建已知类样本,重建误差用于未知类检测。
C2AE[6]:提出类条件自编码器,学习类别特定的重建。
学习类原型表示,通过与原型的相似度判断未知类。典型方法有:
RPL[7]:学习判别性互反原型,增强类间区分。
PROSER[8]:利用原型匹配和开放集拒绝进行零样本语义分割。
学习判别性特征空间,增强已知类与未知类的可分性。代表工作:
OLTR[9]:结合度量学习和元学习应对长尾开放集识别。
CAC[10]:提出类锚聚类损失函数,学习紧凑的类内特征。
除深度学习外,传统机器学习方法在开放集识别研究中也发挥着重要作用:
改进SVM以适应开放集场景,如:
SROSR[11]:利用结构风险最小化原理设计开放集SVM。
OSVM[12]:在SVM决策边界外增加拒绝区域。
利用样本间距离关系进行开放集识别,如:
NNO[13]:设计开放最近邻分类器。
LMNN-OWR[14]:利用大间隔最近邻进行开放世界识别。
利用稀疏表示进行未知类检测,代表工作有:
SRC[15]:基于稀疏表示的开放集识别方法。
SROSR[16]:结构稀疏表示用于开放集识别。
利用极值理论建模未知类分布,如:
EVM[17]:极值机用于开放集识别。
OpenMax[1]:利用Weibull分布建模距离分布。
开放集识别在计算机视觉、自然语言处理等多个领域都有广泛应用:
未来开放集识别的研究重点可能包括:
小样本开放集识别:如何在训练样本稀少的情况下实现高效的开放集识别。
可解释的开放集识别:增强模型对未知类的解释能力。
持续学习与增量学习:实现开放环境下的持续知识获取。
多模态开放集识别:融合多种模态信息进行更鲁棒的未知类检测。
开放集识别的理论基础:建立更完善的开放集学习理论框架。
开放集识别作为人工智能领域的前沿方向,对构建更智能、更开放的AI系统具有重要意义。本文系统介绍了开放集识别的概念、挑战和研究现状,希望能为相关研究者提供参考。随着研究的不断深入,相信开放集识别技术将在更多领域发挥重要作用,推动AI向着更加开放和智能的方向发展。
[1] Bendale A, Boult T E. Towards open set deep networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 1563-1572.
[2] Chen G, et al. Adversarial reciprocal points learning for open set recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2021, 44(6): 2837-2852.
[3] Sun X, et al. Conditional gaussian distribution learning for open set recognition[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020: 13480-13489.
[4] Ge Z Y, et al. Generative openmax for multi-class open set classification[J]. arXiv preprint arXiv:1707.07418, 2017.
[5] Neal L, et al. Open set learning with counterfactual images[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 613-628.
[6] Oza P, Patel V M. C2ae: Class conditioned auto-encoder for open-set recognition[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 2307-2316.
[7] Chen G, et al. Learning open set network with discriminative reciprocal points[C]//European Conference on Computer Vision. Springer, Cham, 2020: 507-522.
[8] Zhang H, Ding H. Prototypical matching and open set rejection for zero-shot semantic segmentation[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 6974-6983.
[9] Liu Z, et al. Large-scale long-tailed recognition in an open world[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 2537-2546.
[10] Miller D, et al. Class anchor clustering: A loss for distance-based open set recognition[C]//Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2021: 3570-3578.
[11] Scheirer W J, et al. Toward open set recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2012, 35(7): 1757-1772.
[12] Jain L P, et al. Multi-class open set recognition using probability of inclusion[C]//European Conference on Computer Vision. Springer, Cham, 2014: 393-409.
[13] Bendale A, Boult T. Towards open world recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 1893-1902.
[14] Weinberger K Q, Saul L K. Distance metric learning for large margin nearest neighbor classification[J]. Journal of machine learning research, 2009, 10(2).
[15] Zhang H, Patel V M. Sparse representation-based open set recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2016, 39(8): 1690-1696.
[16] Zhang H, Patel V M. Sparse representation-based open set recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2016, 39(8): 1690-1696.
[17] Rudd E M, et al. The extreme value machine[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 40(3): 762-768.
[18] Geng C, et al. Recent advances in open set recognition: A survey[J]. IEEE transactions on pattern analysis and machine intelligence, 2020, 43(10): 3614-3631.
[19] Dhamija A R, et al. The overlooked elephant of object detection: Open set[C]//Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2020: 1021-1030.
[20] Shu L, et al. Doc: Deep open classification of text documents[J]. arXiv preprint arXiv:1709.08716, 2017.
[21] Xu K, et al. Open-world learning and application to product classification[C]//The world wide web conference. 2019: 3413-3419.
[22] Günther M, et al. Toward open-set face recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2017: 71-80.
[23] Engelsma J J, et al. Universal manifold analysis for open-set fingerprint spoof detection[J]. IEEE Transactions on Information Forensics and Security, 2020, 16: 2820-2835.
[24] Busto P P, et al. Open set domain adaptation for image and action recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2019, 42(2): 413-429.
[25] Liu S, et al. Open set recognition with conditional probabilistic generative models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021.
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号