用于开集识别的指数幂分布的MoEP AE自动编码混合

开放集识别旨在在维持已知类别的分类性能的同时识别未知类别，并在模式识别领域受到了越来越多的关注。然而，如何学习有效的特征表示，其分布通常对于分类已知类和未知类样本都是复杂的，尤其当只有已知类样本可用于训练时，这在开放集识别中仍然是一个持续的问题。与实现单一高斯、高斯混合（MoG）或多个MoG的方法相比，我们提出了一种新颖的自动编码器，该编码器通过将它们建模为潜在空间中的指数功率分布混合（MoEPs）来学习特征表示，称为MoEP-AE。所提出的自动编码器考虑到许多实际分布是亚高斯或超高斯的，因此可以由MoEPs表示，而不是单一的高斯或MoG或多个MoGs。我们设计了一个可微分的采样器，该采样器可以从MoEP中采样，以确保有效地训练所提出的自动编码器。此外，我们提出了一种基于MoEP-AE的开放集识别方法，通过引入一个区分策略，其中MoEP-AE用于模拟从输入已知类样本中提取的特征的分布，通过在训练阶段最小化一个设计好的损失函数，称为MoEP-AE-OSR。在标准数据集和交叉数据集设置中的大量实验结果表明，MoEP-AE-OSR方法在大多数情况下都超过了14种现有的开放集识别方法，无论是在开放集识别还是封闭集识别任务中。