Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/333051
Type: TESE DIGITAL
Degree Level: Doutorado
Title: Open-set recognition for different classifiers : Reconhecimento em cenário aberto para diferentes classificadores
Title Alternative: Reconhecimento em cenário aberto para diferentes classificadores
Author: Mendes Júnior, Pedro Ribeiro, 1990-
Advisor: Rocha, Anderson de Rezende, 1980-
Abstract: Resumo: Neste trabalho, estudamos e analisamos o problema de reconhecimento em cenários abertos no contexto de diversos tipos de métodos de reconhecimento de padrões: baseados em distância, geométricos e redes neurais. O problema de reconhecimento em cenário aberto apresenta particularidades extras a serem tratadas, quando comparado ao já bem estudado problema de classificação em cenários fechados. Em cenários abertos, o método de reconhecimento deve ser devidamente capaz de reconhecer e também rejeitar instâncias de classes desconhecidas, i.e., de classes não consideradas durante a etapa de treino. Por outro lado, métodos de classificação em cenários fechados assumem que qualquer instância apresentada para classificação sempre pertence a uma das classes conhecidas. Extensões triviais de métodos próprios para cenários fechados, usualmente baseadas em limiares de rejeição, não lidam bem com cenários abertos e esta é a razão principal pela qual este problema tem recebido maior atenção recentemente. Nesta pesquisa, fizemos a hipótese de que limitar o espaço aberto classificado como conhecido seja uma propriedade requerida para um método de reconhecimento em cenários abertos. Isso significa que instâncias de teste fora do suporte das instâncias de treino, em uma região infinita do espaço de características, seriam devidamente rejeitadas como desconhecidas, sendo, consequentemente, o risco do desconhecido limitado. Nossos experimentos confirmam esta hipótese e mostramos como garantir esta propriedade em classificadores geométricos que, usualmente, definem semiespaços, i.e., potencialmente definem uma região ilimitada do espaço aberto classificada como conhecida. Além da abordagem trivial de aplicar um limiar à distância em si, também mostramos como melhor definir a região classificada como conhecida em classificadores baseados em distância. Além do mais, neste trabalho, realizamos uma análise perspicaz em redes neurais - que são inerentemente fechadas por design - com o objetivo de obter as mesmas propriedades com este tipo de classificadores em trabalhos futuros. As análises e discussões apresentadas neste trabalho também têm o objetivo de definir conceitos e clarificar o problema de reconhecimento em cenários abertos. Há particularidades no problema às quais devemos estar atentos e que independem do tipo de classificadores empregados para resolvê-lo, como é o caso da análise de métodos de extensão de classificadores inerentemente binários para classificação multiclasse; a estratégia de busca por parâmetros própria para cenários abertos e as medidas de acurácia próprias para cenários abertos

Abstract: In this work, we have studied and analyzed the open-set recognition problem from the context of multiple types of recognition methods, namely, distance-based, geometric and neural networks. Open-set recognition problems bring some extra particularities to handle compared to well-studied closed-set classification problems. In open-set scenarios, the recognition method must be able to properly recognize and also reject instances from unknown classes, i.e., classes never seen during training phase. On the other hand, closed-set classification methods assume that any instance presented for classification always belongs to one of the known classes. Trivial threshold-based extensions of closed-set methods do not handle well the open-set recognition scenario and that is the reason this problem has received more attention nowadays. In the research, we had hypothesized that ensuring a bounded known-labeled open space is a required property for a recognition method in open-set scenarios. It means that test instances from outside the support of the training instances, on an infinity region of the feature space, would be properly rejected as unknown; consequently, the risk of the unknown would be limited. Our experiments confirm this hypothesis and we have shown how to accomplish this with geometric classifiers, that usually define half-spaces, i.e., possibly unbounded known-labeled open space, as well as with nearest neighbors classifiers, besides the trivial approach of thresholding the raw distance. Furthermore, in this work, we perform insightful analyses on neural networks¿which is inherently closed by design¿aiming at obtaining similar achievements for this type of methods in future work. The analyses and discussion presented in this work also aim at defining concepts and clarifying the open-set recognition problem. There are peculiarities on the problem for which anyone should be attentive, independently of the type of classifiers employed for solving it, as is the case of the analysis of multiclass-from-binary extensions, open-set grid search strategy, and evaluation measures employed for open-set setups
Subject: Aprendizado de máquina
Reconhecimento de padrões
Reconhecimento em cenário aberto
Maquina de vetores de suporte
Redes neurais (Computação)
Language: Inglês
Editor: [s.n.]
Citation: MENDES JÚNIOR, Pedro Ribeiro. Open-set recognition for different classifiers: Reconhecimento em cenário aberto para diferentes classificadores. 2018. 1 recurso online (125 p.). Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/333051>. Acesso em: 24 jan. 2019.
Date Issue: 2018
Appears in Collections:IC - Tese e Dissertação

Files in This Item:
File SizeFormat 
MendesJunior_PedroRibeiro_D.pdf66.64 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.