开放集识别技术综述:挑战、方法与进展

awesome_OpenSetRecognition_list

开放集识别:面向未知的智能识别技术

在人工智能快速发展的今天,开放集识别(Open Set Recognition)作为一项前沿技术正受到越来越多研究者的关注。与传统的封闭集识别不同,开放集识别旨在构建能够应对未知类别样本的智能系统,更贴近真实世界的开放环境。本文将全面介绍开放集识别的概念、挑战和主要研究方向,梳理深度学习和传统机器学习方法在该领域的最新进展,并探讨未来的发展趋势。

开放集识别的概念与挑战

开放集识别源于对传统封闭集分类问题的反思。在现实应用中,模型往往需要面对训练时未见过的新类别样本,如何正确拒绝这些未知类别对模型的识别性能至关重要。开放集识别的核心目标就是构建既能准确识别已知类别,又能有效拒绝未知类别的智能系统。

与封闭集识别相比,开放集识别面临以下主要挑战:

未知类别的不确定性:无法预知测试阶段会出现哪些未知类别,增加了建模的难度。
已知类与未知类的界限模糊:在特征空间中,未知类样本可能与已知类有重叠,难以准确区分。
开放性与识别准确性的权衡:过于开放可能导致错误拒绝已知类,而过于保守则可能误将未知类识别为已知类。
小样本场景下的开放集识别:当已知类训练样本稀少时,开放集识别的难度进一步增加。
持续学习与增量学习:如何在保持开放性的同时不断学习新知识,是开放集识别的重要研究方向。

深度学习方法在开放集识别中的应用

近年来,深度学习在开放集识别领域取得了显著进展。主要研究方向包括:

基于距离的方法

通过度量样本与类原型之间的距离来判断未知类。代表工作有:

OpenMax[1]:在softmax层之后增加未知类,通过Weibull分布建模距离分布。
ARPL[2]:提出对抗性互反点学习,增强已知类与未知类的可分性。
CGDL[3]:学习条件高斯分布,建模类内特征分布。

OpenMax模型结构

生成式方法

通过生成模型学习已知类的分布,用于检测未知样本。代表工作包括:

G-OpenMax[4]:结合GAN生成未知类样本进行训练。
OSRCI[5]:利用条件VAE重建已知类样本,重建误差用于未知类检测。
C2AE[6]:提出类条件自编码器,学习类别特定的重建。

基于原型的方法

学习类原型表示,通过与原型的相似度判断未知类。典型方法有:

RPL[7]:学习判别性互反原型,增强类间区分。
PROSER[8]:利用原型匹配和开放集拒绝进行零样本语义分割。

基于度量学习的方法

学习判别性特征空间,增强已知类与未知类的可分性。代表工作:

OLTR[9]:结合度量学习和元学习应对长尾开放集识别。
CAC[10]:提出类锚聚类损失函数,学习紧凑的类内特征。

传统机器学习在开放集识别中的应用

除深度学习外,传统机器学习方法在开放集识别研究中也发挥着重要作用:

基于SVM的方法

改进SVM以适应开放集场景,如:

SROSR[11]:利用结构风险最小化原理设计开放集SVM。
OSVM[12]:在SVM决策边界外增加拒绝区域。

基于最近邻的方法

利用样本间距离关系进行开放集识别,如:

NNO[13]:设计开放最近邻分类器。
LMNN-OWR[14]:利用大间隔最近邻进行开放世界识别。

基于稀疏表示的方法

利用稀疏表示进行未知类检测,代表工作有:

SRC[15]:基于稀疏表示的开放集识别方法。
SROSR[16]:结构稀疏表示用于开放集识别。

基于极值理论的方法

利用极值理论建模未知类分布,如:

EVM[17]:极值机用于开放集识别。
OpenMax[1]:利用Weibull分布建模距离分布。

开放集识别的应用与展望

开放集识别在计算机视觉、自然语言处理等多个领域都有广泛应用:

计算机视觉:开放集图像分类[18]、开放集目标检测[19]等。
自然语言处理:开放域文本分类[20]、开放领域问答[21]等。
生物特征识别:开放集人脸识别[22]、开放集指纹识别[23]等。
多媒体分析:开放集视频分类[24]、开放集音频识别[25]等。

未来开放集识别的研究重点可能包括:

小样本开放集识别:如何在训练样本稀少的情况下实现高效的开放集识别。
可解释的开放集识别:增强模型对未知类的解释能力。
持续学习与增量学习:实现开放环境下的持续知识获取。
多模态开放集识别:融合多种模态信息进行更鲁棒的未知类检测。
开放集识别的理论基础:建立更完善的开放集学习理论框架。

结语

开放集识别作为人工智能领域的前沿方向,对构建更智能、更开放的AI系统具有重要意义。本文系统介绍了开放集识别的概念、挑战和研究现状,希望能为相关研究者提供参考。随着研究的不断深入,相信开放集识别技术将在更多领域发挥重要作用,推动AI向着更加开放和智能的方向发展。

参考文献

[1] Bendale A, Boult T E. Towards open set deep networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 1563-1572.

[2] Chen G, et al. Adversarial reciprocal points learning for open set recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2021, 44(6): 2837-2852.

[3] Sun X, et al. Conditional gaussian distribution learning for open set recognition[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020: 13480-13489.

[4] Ge Z Y, et al. Generative openmax for multi-class open set classification[J]. arXiv preprint arXiv:1707.07418, 2017.

[5] Neal L, et al. Open set learning with counterfactual images[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 613-628.

[6] Oza P, Patel V M. C2ae: Class conditioned auto-encoder for open-set recognition[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 2307-2316.

[7] Chen G, et al. Learning open set network with discriminative reciprocal points[C]//European Conference on Computer Vision. Springer, Cham, 2020: 507-522.

[8] Zhang H, Ding H. Prototypical matching and open set rejection for zero-shot semantic segmentation[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 6974-6983.

[9] Liu Z, et al. Large-scale long-tailed recognition in an open world[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 2537-2546.

[10] Miller D, et al. Class anchor clustering: A loss for distance-based open set recognition[C]//Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2021: 3570-3578.

[11] Scheirer W J, et al. Toward open set recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2012, 35(7): 1757-1772.

[12] Jain L P, et al. Multi-class open set recognition using probability of inclusion[C]//European Conference on Computer Vision. Springer, Cham, 2014: 393-409.

[13] Bendale A, Boult T. Towards open world recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 1893-1902.

[14] Weinberger K Q, Saul L K. Distance metric learning for large margin nearest neighbor classification[J]. Journal of machine learning research, 2009, 10(2).

[15] Zhang H, Patel V M. Sparse representation-based open set recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2016, 39(8): 1690-1696.

[16] Zhang H, Patel V M. Sparse representation-based open set recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2016, 39(8): 1690-1696.

[17] Rudd E M, et al. The extreme value machine[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 40(3): 762-768.

[18] Geng C, et al. Recent advances in open set recognition: A survey[J]. IEEE transactions on pattern analysis and machine intelligence, 2020, 43(10): 3614-3631.

[19] Dhamija A R, et al. The overlooked elephant of object detection: Open set[C]//Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2020: 1021-1030.

[20] Shu L, et al. Doc: Deep open classification of text documents[J]. arXiv preprint arXiv:1709.08716, 2017.

[21] Xu K, et al. Open-world learning and application to product classification[C]//The world wide web conference. 2019: 3413-3419.

[22] Günther M, et al. Toward open-set face recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2017: 71-80.

[23] Engelsma J J, et al. Universal manifold analysis for open-set fingerprint spoof detection[J]. IEEE Transactions on Information Forensics and Security, 2020, 16: 2820-2835.

[24] Busto P P, et al. Open set domain adaptation for image and action recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2019, 42(2): 413-429.

[25] Liu S, et al. Open set recognition with conditional probabilistic generative models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021.