Open-Set Recognition with Gradient-Based Representations

要約

画像分類タスクのニューラルネットワークは、推論中の任意の画像がトレーニングクラスの1つに属することを前提としています。
この閉集合の仮定は、モデルが未知のクラスの入力に遭遇する可能性がある実際のアプリケーションでは挑戦されます。
開集合認識は、既知のクラスを正しく分類しながら未知のクラスを拒否することにより、この問題を解決することを目的としています。
この論文では、既知の分類器から得られた勾配ベースの表現を利用して、既知のクラスのインスタンスのみで未知の検出器をトレーニングすることを提案します。
勾配は、特定のサンプルを適切に表すために必要なモデル更新の量に対応します。これを利用して、学習した機能で入力を特徴付けるモデルの機能を理解します。
私たちのアプローチは、未知のサンプルの分布を明示的にモデル化する必要なしに、既知のクラスで教師ありの方法でトレーニングされた任意の分類器で利用できます。
勾配ベースのアプローチは、オープンセット分類で最先端の方法を最大11.6％上回っていることを示しています。

要約(オリジナル)

Neural networks for image classification tasks assume that any given image during inference belongs to one of the training classes. This closed-set assumption is challenged in real-world applications where models may encounter inputs of unknown classes. Open-set recognition aims to solve this problem by rejecting unknown classes while classifying known classes correctly. In this paper, we propose to utilize gradient-based representations obtained from a known classifier to train an unknown detector with instances of known classes only. Gradients correspond to the amount of model updates required to properly represent a given sample, which we exploit to understand the model’s capability to characterize inputs with its learned features. Our approach can be utilized with any classifier trained in a supervised manner on known classes without the need to model the distribution of unknown samples explicitly. We show that our gradient-based approach outperforms state-of-the-art methods by up to 11.6% in open-set classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google