探索未知的深度网络：Open Set Deep Networks

探索未知的深度网络：Open Set Deep Networks

【免费下载链接】OSDN Code and data for the research paper "Towards Open Set Deep Networks" A Bendale, T Boult, CVPR 2016 项目地址: https://gitcode.com/gh_mirrors/os/OSDN

项目介绍

Open Set Deep Networks 是一个由Abhijit Bendale和Terrance Boult在2016年IEEE计算机视觉与模式识别会议上首次提出的开源软件包。这个项目的核心在于解决深度学习中对于未知类别的识别问题，提供了一种新的解决方案——OpenMax。

项目技术分析

该项目分为两个主要部分：

1. LibMR：这是一个基于极限值理论的Weibull分布拟合库，用于Meta-Recognition（元识别）任务。它提供了与其他流行软件包不同的Weibull拟合方法，并附有教程解释其差异。

2. OpenMax：这部分代码是为了实现"开放集深度网络"论文中的算法，即通过LibMR进行Weibull拟合，以计算出OpenMax概率。OpenMax从预计算的Mean Activation Vectors和Softmax概率中获取数据，这些数据来自Caffe架构下的图像处理结果。

项目及技术应用场景

Open Set Deep Networks主要用于那些可能遇到未知类别的机器学习和计算机视觉场景，例如：

• 图像分类：除了已知类别外，能识别并标记出可能是未知的新类别。
• 安全监控：当系统需要在大量已知和可能未知的行为中识别异常时。
• 自动驾驶：探测到未训练过的道路条件或对象。

项目特点

1. 创新性: 首次提出应对深度学习模型对未知类别的挑战。
2. 开放源码: 全部代码免费提供，允许学术研究和工业应用。
3. 易用性: 提供了详细的编译和使用指南，以及预处理特征提取工具。
4. 灵活性: 可与其他深度学习框架如Caffe集成，以获取网络层的输出信息。
5. 实证验证: 经过 Fooling Images 数据集等基准测试，证明了其在处理未知输入上的有效性。

使用步骤

1. 编译LibMR：执行libMR/compile.sh脚本完成编译。
2. 预计算特征：使用Caffe预训练模型提取ILSVRC 2012数据集的特征。
3. 计算 MAV 和距离分布：利用MAV_Compute.py和compute_distances.py计算每个类别的 MAV 和距离分布。
4. 应用OpenMax：运行compute_openmax.py以计算OpenMax概率。

引用与贡献

如果你使用了该开源项目，请引用相关的学术论文。同时，欢迎开发者参与贡献，完善和扩展这个项目。

这个项目为深度学习的边界拓展打开了新的可能，让我们一起探索那些深度网络尚未触及的领域。

【免费下载链接】OSDN Code and data for the research paper "Towards Open Set Deep Networks" A Bendale, T Boult, CVPR 2016 项目地址: https://gitcode.com/gh_mirrors/os/OSDN