OpenMvL：一种基于属性的双头框架，用于开放集多视图学习

《IEEE Transactions on Neural Networks and Learning Systems》：OpenMvL: An Attribute-Inspired Dual-Head Framework for Open-Set Multiview Learning

　　

摘要：

许多研究者试图通过整合多视图数据来提升任务性能。然而，现有的多视图方法主要是为具有完全已知类别的封闭集环境设计的。在现实世界的开放集场景中，未知类别的出现会导致视图内部的不均匀性以及视图间的判别冲突。为解决这些问题，我们提出了一种基于属性的双头框架，用于开放集多视图学习。首先，我们设计了一种基于多视图属性的开放集网络架构：1）一个特定于视图的深度展开层通过消除冗余特征，为每个视图生成去除了不均匀性、基于一致性的拓扑表示；2）一种证据融合机制通过量化并整合全局不确定性，有选择地融合互补特征，从而创建更具判别性的跨视图表示。此外，我们还设计了一种双头感知自适应开放集训练损失函数，进一步解决这些冲突：1）Softmax——头损失函数用于优化与表示相关的参数，提升表示学习的质量，将开放集的固有属性融入表示中；2）Evidence——头损失函数用于优化与不确定性相关的参数，校准全局不确定性，帮助区分不确定性与开放集的判别信息。在具有挑战性的开放集多视图任务上的全面评估表明，该方法性能优异，能够有效处理已知和未知样本。