Not logged in.

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Combined-GAN: Utilizing GAN for Open-Set Recognition by Generating Effective Unknown Samples
Organization Unit
Authors
  • Peng Yan
Supervisors
  • Manuel Günther
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2022
Abstract Text Discovering the unknown world is a big challenge. Different from traditional classification, for Open-Set Recognition (OSR), the open-set model needs to classify known data as well as tackle unknown data. In this thesis, we utilize Generative Adversarial Network (GAN) to generate effective open-set samples (unknown data) to assist an open-set model to know more information about the open space (the space far from known/training data). In our Combined-GAN model, we adopt encoder-decoder network architecture for the generative model. By combining the latent space from two different known classes, the generated samples can acquire features from the corresponding known classes. We assume the generated samples locate around the decision boundaries of known classes and can be represented as open-set samples. The generated samples are fed into an open-set model together with known samples for OSR. Compared with other OSR approaches in different open-set scenarios, the quantitative and qualitative results show our generative model can generate effective unknown samples for the open-set model to classify known classes and detect unknown classes at the same time.
Zusammenfassung Die Entdeckung der unbekannten Welt ist eine große Herausforderung. Anders als bei der traditionellen Klassifizierung, muss das Open-Set Modell für die Open-Set Recognition (OSR) sowohl bekannte Daten klassifizieren, als auch unbekannte Daten angehen. In dieser Arbeit wenden wir das Generative Adversarial Network (GAN) an, um effektive Open-Set Proben (unbekannte Daten) zu generieren, um weiter das Open-Set Modell zu unterstützen, um mehr Informationen über den offenen Raum zu erhalten (den Raum, der weit entfernt von bekannten/zu trainierenden Daten liegt). In unserem Combined-GAN Modell übernehmen wir eine Encoder-Decoder Netzwerkarchitektur für das generative Modell. Durch Kombinieren des latenten Raums von zwei verschiedenen bekannten Klassen können die generierten Proben Merkmale von den entsprechenden bekannten Klassen erwerben. Wir nehmen an, dass sich die generierten Proben um die Entscheidungsgrenzen bekannter Klassen und als Open-Set Proben dargestellt werden können. Die generierten Proben fließen zusammen mit bekannten Proben für OSR in das Open-Set Modell ein. Im Vergleich zu anderen OSR Methoden in verschiedenen Open-Set Szenarien zeigen die quantitativen und qualitativen Ergebnisse, dass unser generatives Modell effektive unbekannte Proben für das Open-Set Modell generieren kann, um bekannte Klassen zu klassifizieren und gleichzeitig unbekannte Klassen zu erkennen.
PDF File Download
Export BibTeX