GIDDM: Generación de etiquetas con modelo de difusión para promover el reconocimiento de imágenes abiertas entre...

Área de la Ciencia:

• Visión por computadora
• Aprendizaje automático
• Inteligencia artificial

Sus antecedentes:

• Los métodos de reconocimiento de imágenes abiertas de dominio cruzado existentes a menudo utilizan umbrales, luchan con límites de clase complejos y presentan confusión.
• Esto conduce a efectos de transferencia negativos y a una precisión reducida cuando se trata de clases desconocidas.

Objetivo del estudio:

• Proponer un modelo de difusión por destilación isomórfica de gráficos (GIDDM, por sus siglas en inglés) para mejorar el reconocimiento de imágenes de conjuntos abiertos entre dominios.
• Abordar las limitaciones de los métodos basados en umbrales mediante el aprendizaje de relaciones de frontera intrincadas entre clases conocidas y desconocidas.

Principales métodos:

• Un clasificador de difusión cuantifica la incertidumbre predictiva utilizando el muestreo de Monte Carlo y modela las distribuciones de incertidumbre.
• Un marco de reconocimiento de conjunto abierto emplea la destilación de conocimientos de un maestro (clasificador de difusión de conjunto cerrado) a un clasificador de estudiantes.
• La destilación del conocimiento se enmarca como un problema de optimización isomórfica de gráficos para garantizar variedades predictivas consistentes, integradas en un marco de adaptación de dominio adversario.

Principales resultados:

• El GIDDM propuesto logra un rendimiento de vanguardia en conjuntos de datos de imágenes hiperespectrales múltiples (HSI).
• Ha demostrado una capacidad superior para separar clases conocidas y desconocidas y alinear distribuciones entre dominios.
• Mitiga efectivamente los efectos negativos de transferencia causados por la confusión de las características.

Conclusiones:

• GIDDM ofrece una solución robusta para el reconocimiento de imágenes abiertas de dominio cruzado al modelar efectivamente la incertidumbre predictiva y los límites de clase.
• El enfoque de destilación isomórfica de gráficos mejora la transferencia de conocimientos y la consistencia del clasificador.
• El método muestra una promesa significativa para aplicaciones del mundo real que involucran conjuntos de datos complejos y en evolución.