Cascading Unknown Detection with Known Classification for Open Set Recognition

要約

ディープラーナーは、クローズドセットの仮定の下でトレーニングされた場合には良好なパフォーマンスを発揮しますが、オープンセットの条件下でデプロイされると苦戦する傾向があります。
これは、データ サンプルがトレーニングされた既知のクラスに属しているのか、それとも周囲の無限の世界から来たのかを認識できる能力を深層学習者に提供しようとする、オープン セット認識の分野の動機付けとなります。
既存の開集合認識方法は通常、既知と未知の区別と既知のクラスの区別という二重のタスクを 1 つの関数に依存しています。
この二重プロセスでは、関数がどちらのタスクにも特化されていないため、パフォーマンスが低下します。
この研究では、既知の分類による未知の検出のカスケード (Cas-DC) を導入します。代わりに、既知/未知の検出と既知の世界の間での詳細なクラス分類の両方のための特殊な機能をカスケード方式で学習します。
私たちの実験と分析は、AUROC スコアとさまざまな真陽性率での正しい分類率を使用して比較した場合、Cas-DC がオープンセット認識において最新の方法を大幅に上回っていることを示しています。

要約(オリジナル)

Deep learners tend to perform well when trained under the closed set assumption but struggle when deployed under open set conditions. This motivates the field of Open Set Recognition in which we seek to give deep learners the ability to recognize whether a data sample belongs to the known classes trained on or comes from the surrounding infinite world. Existing open set recognition methods typically rely upon a single function for the dual task of distinguishing between knowns and unknowns as well as making known class distinction. This dual process leaves performance on the table as the function is not specialized for either task. In this work, we introduce Cascading Unknown Detection with Known Classification (Cas-DC), where we instead learn specialized functions in a cascading fashion for both known/unknown detection and fine class classification amongst the world of knowns. Our experiments and analysis demonstrate that Cas-DC handily outperforms modern methods in open set recognition when compared using AUROC scores and correct classification rate at various true positive rates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google