GIDDM:ドメイン横断のオープンセット画像認識を促進するための拡散モデルによるラベルの生成

科学分野:

• コンピュータ・ビジョン
• 機械学習
• 人工知能

背景:

• 既存のクロスドメインのオープンセット画像認識方法は,しばしば値化を使用し,複雑なクラス境界と機能の混乱に苦しんでいます.
• これは,未知のクラスに対処する際の負の転送効果と精度低下につながります.

研究 の 目的:

• グラフ同型蒸留拡散モデル (GIDDM) を提案し,クロスドメインのオープンセットの画像認識を改善する.
• 既知のクラスと未知のクラスの間の複雑な境界関係を学習することによって,値ベースのメソッドの限界に対処します.

主な方法:

• 拡散分類器は,モンテカルロサンプリングを使用して予測不確実性を定量化し,不確実性分布をモデル化します.
• オープンセット認識フレームワークは,教師 (閉じたセット拡散分類器) から学生分類器への知識蒸留を使用します.
• 知識蒸留はグラフ同型最適化問題として構成され,矛盾する領域の適応フレームワークに統合された一貫した予測多様性を保証します.

主要な成果:

• 提案されたGIDDMは,複数のハイパースペクトル画像 (HSI) データセットで最先端の性能を達成します.
• 既知のクラスと未知のクラスを分離し,ドメイン間の分布を調整する優れた能力を示した.
• 特徴の混乱によって引き起こされる負の転移効果を効果的に軽減します.

結論:

• GIDDMは,予測不確実性とクラス境界を効果的にモデル化することによって,クロスドメインのオープンセット画像認識のための堅牢なソリューションを提供します.
• グラフ同型蒸留アプローチは,知識の移転と分類器の一貫性を高めます.
• この方法は,複雑で進化するデータセットを含む現実世界のアプリケーションに顕著な期待を示しています.