Glocal Energy-based Learning for Few-Shot Open-Set Recognition

要約

タイトル：Few-Shot Open-Set Recognitionのためのグローバルエネルギーベースドラーニング
要約：Few-Shot Open-Set Recognition（FSOR）は、少数の例によって定義されたクラスの1つにサンプルを分類するタスクである。同時に、未知のクラスからのサンプルを拒否することができる。この研究では、新しいエネルギーベースドハイブリッドモデルを提案して、FSORタスクに取り組んでいる。モデルは、分類ブランチとエネルギーブランチの2つのブランチで構成されており、分類ブランチは、クラスの1つにサンプルを分類するためのメトリックを学習し、エネルギーブランチは、オープンセットの確率を明示的に推定する。モデルは、クラス別およびピクセル別の特徴を利用して、グローバルエネルギースコアを学習することで、オープンセットのサンプルのホリスティックな検出を実現する。モデルは、クラス別特徴またはピクセル別特徴から少数の例から逸脱したサンプルに大きなエネルギースコアを割り当て、それ以外のサンプルには小さなエネルギースコアを割り当てるように強制される。3つの標準的なFSORデータセットでの実験により、提案されたモデルの優れた性能が示された。

要点：

– FSORは、少数の例で定義されたクラスにサンプルを分類し、未知のクラスからのサンプルを拒否するタスクである。
– 提案されたモデルはエネルギーベースドハイブリッドモデルで、分類ブランチとエネルギーブランチで構成される。
– モデルはクラス別およびピクセル別の特徴を利用してグローバルエネルギースコアを学習する。
– モデルは、クラス別またはピクセル別の特徴が少数の例から逸脱したサンプルに高いエネルギースコアを割り当て、それ以外のサンプルには低いエネルギースコアを割り当てるように強制される。
– 実験により、提案されたモデルが優れた性能を発揮することが示された。

要約(オリジナル)

Few-shot open-set recognition (FSOR) is a challenging task of great practical value. It aims to categorize a sample to one of the pre-defined, closed-set classes illustrated by few examples while being able to reject the sample from unknown classes. In this work, we approach the FSOR task by proposing a novel energy-based hybrid model. The model is composed of two branches, where a classification branch learns a metric to classify a sample to one of closed-set classes and the energy branch explicitly estimates the open-set probability. To achieve holistic detection of open-set samples, our model leverages both class-wise and pixel-wise features to learn a glocal energy-based score, in which a global energy score is learned using the class-wise features, while a local energy score is learned using the pixel-wise features. The model is enforced to assign large energy scores to samples that are deviated from the few-shot examples in either the class-wise features or the pixel-wise features, and to assign small energy scores otherwise. Experiments on three standard FSOR datasets show the superior performance of our model.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI