Open-set object recognition

Son birkaç on yılda nesne tanıma ve sınıflandırmadaki önemli ilerlemelere rağmen, gerçek dünya senaryolarında tüm sınıflardan temsili eğitim örnekleri toplamanın oldukça pahalı olduğu veya sistemin açıkta kalabileceği çeşitli durumlar vardır. test zamanında öngörülemeyen yeni örneklere. desen sınıflandırma problemi genellikle açık küme olarak adlandırılır. Tanıma görevi, eğitim süresi boyunca modele tüm veri dağıtımına ilişkin sınırlı ve eksik bilgi verildiği durumlarda. Test aşamasında, sınıflandırıcının daha önce görülen sınıfları doğru bir şekilde sınıflandırmasını ve görünmeyenleri etkili bir şekilde reddetmesini gerektiren bilinmeyen sınıflarla karşılaşılabilir. Diğerlerinin yanı sıra, tek sınıflı sınıflandırma, açık küme tanıma problemine makul bir çözüm olarak hizmet eder. Bununla birlikte, mevcut tek sınıflı sınıflandırıcıların sınırlamaları vardır. Klasik çekirdek tabanlı yaklaşımlar, makul performans elde etmek için dikkatlice tasarlanmış özellikler gerektirir, ancak eğitim kümesi safsızlıklarına karşı iyi bir sağlamlık sağlayarak istatistiksel öğrenme teorisinde sağlam bir temele dayanır. Diğer yandan, daha yeni derin öğrenme tabanlı yöntemler, ilgili özellikleri doğrudan verilerden öğrenmeye odaklanır, ancak genellikle genellikle iyi genellemeyen ve her yerde mevcut olan gürültüye karşı sağlam olmayan geçici tek sınıf kayıp işlevlerine dayanır. eğitim setinde kontaminasyon. Bu tezde, iki öğrenme formalizmini ortak bir çatı altında toplayarak hem çekirdek tabanlı hem de derin öğrenme yaklaşımlarının avantajlarından yararlanan yeni bir yaklaşım sunuyoruz. Özellikle, önerilen yöntem, Hilbert uzayındaki diskriminant üzerinde bir Tikhonov düzenlemesine tabi bir çekirdek Fisher boş-uzay kaybını optimize etmek için derin evrişimsel öznitelikleri öğrenir. Bu nedenle, eğitim seti kontaminasyonuna karşı sağlam iken derin bir uçtan uca şekilde eğitilebilir. Çeşitli değerlendirme ayarlarında farklı görüntü veri setleri üzerinde yapılan kapsamlı deneyler sayesinde, önerilen yaklaşımın eğitim setinin bozulduğu ve içerdiği senaryoda anomali tespiti için mevcut en son teknoloji yöntemlerden oldukça sağlam ve daha etkili olduğu gösterilmiştir. gürültülü örnekler Aynı zamanda, önerilen yaklaşımlar, denetimsiz bir senaryoda, veri noktalarını örneklerin çoğuna uygunluklarına göre sıralamak için etkin bir şekilde kullanılabilir.