【开集识别论文解读】Classification-Reconstruction Learning for Open-Set Recognition——CVPR2019

论文原文：https://arxiv.org/pdf/1812.04246v2.pdf

本文提出的CROSR利用潜在表示进行重建，并在不损害已知类别分类精度的情况下实现鲁棒未知检测。

开集分类器可以检测不属于任何训练类的样本。通常，它们将概率分布拟合到某些特征空间中的训练样本中，并将异常值检测为未知值。对于表示样本的特征，几乎所有现有的深度开集分类器都依赖于通过完全监督学习获得的特征，如图1（a）所示。然而，它们是为了强调已知类别的区别特征，对于表示未知或将未知与已知分开并不一定有用。

本文提出了一种新的开集分类框架，称为开集识别的分类重建学习（CROSR）。如图1（b）所示，开集分类器由两部分组成：闭集分类器和未知检测器，这两部分都利用了深度分类重建网络。当已知类分类器利用监督学习的预测y时，未知检测器使用重建的潜在表示z和y。这允许未知检测器利用可能对已知类没有区别的更广泛的特征池。CROSR可以利用重构表示z来补充预测y中丢失的信息。 

本文的contribution：

• 首次讨论了基于深度重构的表征学习在开集识别中的有用性；所有其他深开集分类器都是基于已知类中的区分表示学习。
• 开发了一个新的开集识别框架CROSR，该框架基于DHRNET，并使用它们联合执行已知分类和未知检测。
• 在五个标准图像和文本数据集中进行了开集分类实验，结果表明，对于大多数已知数据和离群值的组合，本文的方法优于现有的深度开集分类器。

Softmax:

给定一个已知类集合和输入,

<