Taking Class Imbalance Into Account in Open Set Recognition Evaluation

要約

近年、ディープ ニューラル ネットワーク ベースのシステムの人気が高まっているだけでなく、ユーザーの信頼も高まっています。
ただし、このようなシステムは閉じた世界を前提としているため、未知のクラスのサンプルを認識できず、多くの場合、高い信頼度で誤ったラベルが生成されます。
提示された研究では、特に既知のサンプルと未知のサンプルの間の二分法におけるクラスの不均衡の影響に焦点を当て、オープンセット認識の手法の評価を検討しています。
問題分析の結果として、この分野の手法を評価するための一連のガイドラインを提示します。

要約(オリジナル)

In recent years Deep Neural Network-based systems are not only increasing in popularity but also receive growing user trust. However, due to the closed-world assumption of such systems, they cannot recognize samples from unknown classes and often induce an incorrect label with high confidence. Presented work looks at the evaluation of methods for Open Set Recognition, focusing on the impact of class imbalance, especially in the dichotomy between known and unknown samples. As an outcome of problem analysis, we present a set of guidelines for evaluation of methods in this field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google