摘要

识别测试样本是否属于某个语义的能力分类器训练集中的类对模型的实际部署至关重要。这项任务被称为开放集识别（OSR），受到了广泛关注近年来。在本文中，我们首先证明了分类器的能力做出“非上述”决策与其在以下方面的准确性高度相关闭集类。我们发现，这种关系在各个损失目标中都成立和体系结构，并进一步展示标准OSR上的趋势基准测试以及大规模ImageNet评估。其次，我们使用这个通过以下方式提高OSR“基线”最大logit分数性能的相关性提高其闭式精度，并凭借这一强大的基线达到最先进的水平许多OSR基准测试。同样，我们提高了现有最先进的方法通过提高其闭集精度，但由此产生的和强基线的差异很小。我们的第三份贡献是呈现语义转换基准（SSB），更尊重检测语义新颖性的任务，而不是其他分布由相关领域（如分布外检测）处理的移位。在这个新的评估，我们再次证明强大的基线和现有的最先进技术。

语义转换基准

在此处下载

我们提出了用于开放集识别和相关任务的语义转移基准套件（SSB）（例如类别发现、分发外检测等）。SSB旨在将语义新颖性与其他形式的分布转移隔离开来，它由三个细粒度的数据集和大型ImageNet基准测试。

对于每个数据集，我们提供“seen”和“unseen”类拆分。此外，对于每个数据集，“看不见的”类分为“简单”和“难”。较难的示例在视觉和语义上与“seen”类更为相似。

示例如下所示。对于Easy和Hard示例，我们在右边显示“看不见的”类，在左边显示它们最相似的“看得见的”类。

引用

开放集识别：一个好的封闭集分类器就是你所需要的吗？

Sagar Vaze、Kai Han、Andrea Vedaldi和Andrew Zisserman

在ICLR，2022年。

@会议记录{vaze2022打开，title={开放集识别：一个好的封闭集分类器就是你所需要的吗？}，author={Sagar Vaze和Kai Han以及Andrea Vedaldi和Andrew Zisserman}，booktitle={学习代表国际会议}，年份={2022}}

致谢

这项研究由Facebook AI研究奖学金资助皇家学会研究教授RP\R1\191132，以及EPSRC计划资助VisualAI EP/T028572/1。此模板最初由菲利普·伊索拉和张曦轲对于丰富多彩的项目，并继承所做的修改张杰。可以找到代码在这里。