Open-set vs. Close-set

发表于 更新于 分类于 ，
本文字数： 387 阅读时长 ≈ 1 分钟

模型能否作用于Open-set，是目标分类和度量学习的主要区别。

定义

  • Open-set：测试类别不一定存在于训练类别中；
  • Close-set：测试类别一定出现在训练类别中。

參考SphereFace图示

领域

  • 目标分类算法的训练目的是获取类别特定特征。完成训练后，通过输出分类概率方式进行识别。对于目标分类算法而言，必须保证预测存在于训练集中（Close-set），否则无法学习类别特征；
  • 度量学习算法的训练目的是获取类别可判别特征。完成训练后，通过特征向量匹配的方式进行识别。通过提取待测试样本的特征向量，与模板库中的特征向量进行相似度计算，最后得到预测类别。对于度量学习算法而言，预测类别不需要一定存在于训练集中（Open-set或者Close-set均可），因为它只要满足在特定的度量空间中，能够保证同一类的最大类内距离小于不同类的最小类间距离即可。

参考