机构名称：
¥ 1.0
在开放式识别（OSR）中，有前途的策略正在利用伪未知的数据，因为K已知类别是额外的K + 1-分类，以明确模型开放空间。然而，由于未知的类别 - 不稳定和尺度敏捷，因此相对于已知类别的未知类别而言是不平等的。这种不可避免地不仅会破坏未知类别的固有分歧，而且会造成阶级和实例不平衡的不平衡和未知类别之间的不平衡。理想情况下，OSR问题应将整个类空间建模为K +∞，但是列举所有未知数是不切实际的。由于OSR的核心是有效地对已知类别的边界进行建模，因此这意味着只关注接近目标已知类别边界的未知数似乎足够了。因此，作为妥协，我们使用新颖的概念目标吸引了无限的类（TAU）将开放类别从无限转换为K，并提出了一个简单而又有效的框架，并使用t arge-aget-a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a a vare u niversum（dctau）。在详细的指导下，在已知的已知类别的指导下，Tau会自动将未知类别从前1个扩展到K，从而有效地减轻了分布的破坏和上面提到的不平衡问题。然后，设计了一种新颖的双重对比（DC）损失，在此实例中，无论已知或tau不管是与各自的负面因素对比的阳性。实验结果表明DCTAU设置了一个新的最先进。
所有生物在公开识别中均等
主要关键词
相关文件推荐
