本論文は、オープンセット認識の課題に対して新しい「動的な手法と動的な環境の対抗」のアプローチを提案している。従来のオープンセット認識手法は、既知クラスのサンプルを用いて静的な決定境界を学習するが、未知クラスが動的に変化する環境では不十分である。
提案手法のオープンセット自己学習(OSSL)フレームワークは、まず良好な閉じたセット分類器を学習し、その後テスト時に利用可能なサンプルを用いてモデルの適応を行う。特に、既知クラスサンプルを自動的に識別しつつ未知クラスサンプルを拒否する新しい自己マッチングモジュールを導入している。これにより、動的に変化する環境に適応できる分類器を構築することができる。
実験では、標準的なベンチマークデータセットおよびクロスデータセット設定において、提案手法が既存手法を大きく上回る性能を示している。特に、TinyImageNetなどの難しいデータセットでも大幅な性能向上を達成している。これは、動的な手法を用いることで動的な環境に適応できることを示している。
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Haifeng Yang... om arxiv.org 04-30-2024
https://arxiv.org/pdf/2404.17830.pdfDiepere vragen