Hybride Modelle für Open-Set-Erkennung

Open Set Recognition erfordert von einem Klassifikator, Muster zu erkennen, die keiner der Klassen in seinem Trainingsset angehören. Bestehende Methoden passen eine Wahrscheinlichkeitsverteilung an die Trainingsmuster im Embedding-Raum an und detektieren Ausreißer basierend auf dieser Verteilung. Der Embedding-Raum wird häufig aus einem diskriminativen Klassifikator gewonnen. Allerdings konzentriert sich eine solche diskriminative Darstellung ausschließlich auf die bekannten Klassen, was für die Unterscheidung unbekannter Klassen möglicherweise nicht kritisch ist. Wir argumentieren, dass der Darstellungsraum gemeinsam aus dem Inlier-Klassifikator und dem Dichteschätzer (als Ausreißer-Detektor fungierend) gelernt werden sollte. Wir schlagen den OpenHybrid-Framework vor, der aus einem Encoder besteht, der die Eingabedaten in einen gemeinsamen Embedding-Raum abbildet, einem Klassifikator zur Klassifizierung von Mustern in Inlier-Klassen und einem flussbasierten Dichteschätzer zur Detektion, ob ein Muster zur unbekannten Kategorie gehört. Ein typisches Problem bestehender flussbasierter Modelle ist, dass sie Ausreißern möglicherweise eine höhere Wahrscheinlichkeit zuweisen können. In unseren Experimenten beobachten wir jedoch empirisch, dass dieses Problem bei der gemeinsamen Lernung einer Darstellung für diskriminative und generative Komponenten nicht auftritt. Experimente auf Standard-Benchmarks für Open Set Recognition zeigen zudem, dass ein end-to-end trainiertes OpenHybrid-Modell signifikant besser abschneidet als state-of-the-art-Methoden und flussbasierte Baselines.