开放集识别(Open Set Recognition,OSR)的主要目的是识别未标记数据中的新类样本,同时对已见类样本进行正确分类.现有的大多数识别方法对未标记数据的评估和伪标记信息的利用不足.本文提出一种基于主动学习的开放集图像识别方法(Open Se...
详细信息
开放集识别(Open Set Recognition,OSR)的主要目的是识别未标记数据中的新类样本,同时对已见类样本进行正确分类.现有的大多数识别方法对未标记数据的评估和伪标记信息的利用不足.本文提出一种基于主动学习的开放集图像识别方法(Open Set Image Recognition Method Based on Active Learning,AC-OSIR),充分利用未标记数据提升开放集识别性能.通过引入已见类别的语义知识,构建语义知识和图像特征的映射关系.对于未标记数据,利用阈值选择策略区分开放集样本和已见类样本,通过主动学习模型迭代地识别高置信度开放集样本和已见类样本,并将高置信度已见类样本添加到标记数据集中.本文在图像分类数据集CIFAR-10、TIN和LSUN,以及两个合成数据集的实验结果表明了基于主动学习的开放集图像识别方法的有效性.
高斯过程通过概率建模能够有效地捕捉数据中的复杂关系,并提供关于预测结果的不确定性评估,是一个强大而灵活的工具.但由于矩阵求逆的较高计算复杂度,限制了模型在其他领域内的应用.本文针对高斯过程模型的矩阵求逆问题,提出了一种基于球谐函数的高斯过程近似模型(Variational Sparse Gaussian Processes based on Spherical Harmonic, SHVSGP),通过球谐函数将数据映射到超球面上,在一个不同于数据原始输入域的空间中寻找一个更紧凑的输入特征代表集,使得产生的稀疏高斯过程模型能够包含有更丰富的信息特征,同时获得诱导变量相关的对角协方差矩阵,这极大简化了矩阵运算的复杂度,节省了计算成本.本文将SHVSGP模型与当下流行的其他近似方法在大规模数据集上进行比较,结果表明SHVSGP模型可以获得高效且精确的预测.
暂无评论