摘要

开放集识别（Open Set Recognition）要求分类器能够检测出不属于训练集中任何已知类别的样本。现有方法通常在嵌入空间中对训练样本拟合一个概率分布，并根据该分布来识别异常样本。该嵌入空间通常由一个判别性分类器获得。然而，这类判别性表示仅关注已知类别，可能并不足以有效区分未知类别。我们认为，表示空间应同时由内点分类器与密度估计器（作为异常检测器）联合学习。为此，我们提出了OpenHybrid框架，该框架包含一个编码器，用于将输入数据映射到一个联合嵌入空间；一个分类器，用于将样本归类为已知类别；以及一个基于流（flow-based）的密度估计器，用于判断样本是否属于未知类别。现有基于流的模型的一个典型问题是，它们可能为异常样本赋予更高的似然值。然而，我们在实验中观察到，当联合学习判别性与生成性组件的表示时，这种问题并不会出现。在标准开放集识别基准上的实验结果表明，端到端训练的OpenHybrid模型显著优于当前最先进的方法以及基于流的基线模型。