开放集识别技术综述:挑战、方法与进展

RayRay
开放集识别开放世界识别深度学习机器学习异常检测Github开源项目

awesome_OpenSetRecognition_list

开放集识别:面向未知的智能识别技术

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。

开放集识别的概念与挑战

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:

  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. 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。

深度学习方法在开放集识别中的应用

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:

基于距离的方法

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。

OpenMax模型结构

生成式方法

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。

基于原型的方法

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。

基于度量学习的方法

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。

传统机器学习在开放集识别中的应用

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:

基于SVM的方法

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。

基于最近邻的方法

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。

基于稀疏表示的方法

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。

基于极值理论的方法

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。

开放集识别的应用与展望

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:

  • 计算机视觉:开放集图像分类[18]、开放集目标检测[19]等。
  • 自然语言处理:开放域文本分类[20]、开放领域问答[21]等。
  • 生物特征识别:开放集人脸识别[22]、开放集指纹识别[23]等。
  • 多媒体分析:开放集视频分类[24]、开放集音频识别[25]等。

未来开放集识别的研究重点可能包括:

  1. 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。

  2. 可解释的开放集识别:增强模型对未知类的解释能力。

  3. 持续学习与增量学习:实现开放环境下的持续知识获取。

  4. 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。

  5. 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。

结语

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。

参考文献

[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.

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

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。

Hunyuan3D-2

Hunyuan3D-2

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。

3FS

3FS

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。

下拉加载更多