Not logged in.

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Open-set Classification on ImageNet
Organization Unit
Authors
  • Annesha Bhoumik
Supervisors
  • Manuel Günther
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date September 2021
Abstract Text A real-world test situation not only comprises of classes that a supervised model is trained with, but also consists of unknown classes that the model is unaware of. Such a test situation forms part of an open space, and an open-set classifier, trained using open-set algorithms is used to handle it. These algorithms are developed using artificially generated open space, created using available datasets and their classes. Open-set algorithms that are currently in place are either developed using small datasets or, address only those unknown samples that are distinctly different from known classes. In this thesis, I propose three ImageNet based open-set protocols that closely align with the real-world open space and also, address unknown samples that are similar to known classes. I use these protocols to compare the performance of two easy-to-implement open-set algorithms, SoftMax with Garbage Class and Entropic Open-set Loss, that were developed using small datasets, and compare their performance to that of a baseline Traditional SoftMax.
Zusammenfassung In realen Testsituationen bestehen die Klassen nicht nur aus den bekannten Klassen, die zum Trainieren des Modells benutzt werden, sondern auch aus unbekannten Klassen, die das Modell nicht kennt. Solche Testsituationen sind Teil eines Open Spaces und ein mit open-set Algorithmen trainiertes Open-Set-Bildklassifikationsmodell wird eingesetzt, um es zu behandeln. Anhand der verfügbaren Datensätze und Klassen werden künstliche Open Sets generiert. Diese Open Sets werden benutzt, um die Open-Set Algorithmen zu entwickeln. Open-Set-Algorithmen, die heutzutage benutzt werden, wurden entweder nur mit kleinen Datensätzen entwickelt, oder befassen sich nur mit Datensätzen, die sich deutlich von den bekannten Klassen unterscheiden. In dieser Thesis, schlage ich drei ImageNet-basierte Open-Set-Protokolle vor, die dem realen Open Set sehr ähnlich sind und Datensätze berücksichtigen, deren Klassen unbekannt, jedoch mit den bekannten Klassen verwandt sind. Mit Hilfe dieser Protokolle, vergleiche ich zwei Open-Set-Algorithmen miteinander. Beide Open-Set-Algorithmen, «SoftMax with Garbage Class» und «Entropic Open-Set Loss», sind einfach zu implementieren und wurden mit kleinen Datensätzen entwickelt. Zudem vergleiche ich die Performance beider Algorithmen mit einer Baseline, dem traditionellen SoftMax.
PDF File Download
Export BibTeX