Difficulty-Aware Simulator for Open Set Recognition

要約

開集合認識（OSR）は、推論時に未知のインスタンスが突然現れることを前提としています。
OSRの主な課題は、未知数に対するモデルの応答が完全に予測できないことです。
さらに、インスタンスの難易度が異なるため、オープンセットの多様性により困難になります。
したがって、現実世界をシミュレートするためにさまざまな難易度の偽物を生成する、新しいフレームワークであるDIfficulty-Aware Simulator（DIAS）を紹介します。
まず、分類器の観点から生成的敵対的ネットワーク（GAN）からの偽物を調査し、これらがそれほど困難ではないことを確認します。
これにより、中程度の難易度のGANで生成されたサンプルを考慮して、難易度の基準を定義できます。
難しい例を作成するために、分類器の動作を模倣したCopycatを紹介します。
さらに、中程度の難易度のサンプルと簡単な難易度のサンプルも、それぞれ修正されたGANとCopycatによって生成されます。
その結果、DIASは、AUROCとFスコアの両方のメトリックで最先端の方法よりも優れています。
私たちのコードはhttps://github.com/wjun0830/Difficulty-Aware-Simulatorで入手できます。

要約(オリジナル)

Open set recognition (OSR) assumes unknown instances appear out of the blue at the inference time. The main challenge of OSR is that the response of models for unknowns is totally unpredictable. Furthermore, the diversity of open set makes it harder since instances have different difficulty levels. Therefore, we present a novel framework, DIfficulty-Aware Simulator (DIAS), that generates fakes with diverse difficulty levels to simulate the real world. We first investigate fakes from generative adversarial network (GAN) in the classifier’s viewpoint and observe that these are not severely challenging. This leads us to define the criteria for difficulty by regarding samples generated with GANs having moderate-difficulty. To produce hard-difficulty examples, we introduce Copycat, imitating the behavior of the classifier. Furthermore, moderate- and easy-difficulty samples are also yielded by our modified GAN and Copycat, respectively. As a result, DIAS outperforms state-of-the-art methods with both metrics of AUROC and F-score. Our code is available at https://github.com/wjun0830/Difficulty-Aware-Simulator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google