网站建设发布,建网站空间都有什么平台,中国购物平台,网站运营工作定义一个分类器#xff1a; D t r a i n { ( x i , y i ) } i 1 N ⊂ X C D_{train} \{(x_i, y_i)\}^N _{i1} ⊂ X C Dtrain{(xi,yi)}i1N⊂XC X#xff1a;输入空间 ( x i , y i ) (x_i, y_i) (xi,yi): 输入的图像x以及其对象的类别标签yC #xff1a;已知…定义一个分类器 D t r a i n { ( x i , y i ) } i 1 N ⊂ X × C D_{train} \{(x_i, y_i)\}^N _{i1} ⊂ X × C Dtrain{(xi,yi)}i1N⊂X×C X输入空间 ( x i , y i ) (x_i, y_i) (xi,yi): 输入的图像x以及其对象的类别标签yC 已知类的集合
1 For closed-set 闭集检测
测试时用于测试模型性能的图像也都属于已知类别 C C C D t e s t − c l o s e d { ( x i , y i ) } i 1 M ⊂ X × C D_{test-closed} \{(x_i, y_i)\}^M _{i1} ⊂ X × C Dtest−closed{(xi,yi)}i1M⊂X×C 模型最终会返回一个概率分布: p ( y ∣ x ) p(y|x) p(y∣x)
分类器为每个输入示例x返回一个关于已知类别的概率分布 p ( y ∣ x ) p(y|x) p(y∣x)意味着对于给定的输入示例x分类器会生成一个概率分布其中每个类别y都对应一个概率值。这个概率值表示分类器对于该输入示例属于每个已知类别的置信度或可能性。
解析
具体而言对于每个已知类别 c ∈ C c ∈ C c∈C分类器会计算条件概率 p ( y c ∣ x ) p(yc|x) p(yc∣x)表示在给定输入示例x的条件下该示例属于类别c的概率。这样对于每个输入示例x分类器会为每个已知类别c生成一个概率值最终形成一个概率分布 p ( y ∣ x ) p(y|x) p(y∣x)其中概率值的总和为1。
通过这个概率分布我们可以了解分类器对于每个已知类别的相对置信度。通常情况下预测类别会选择具有最高概率值的类别因为它被认为是最有可能的类别。
这种概率分布的输出使我们能够获得更多关于分类器对于每个输入示例的不确定性和置信度的信息。它可以帮助我们进行后续的决策和分析比如设置一个概率阈值来确定分类结果或者进行不确定性建模。
2 For open-set 开放集检测
测试时用于测试模型性能的图像不仅仅属于已知类别 C C C还可能属于位置类别 U U U D t e s t − o p e n { ( x i , y i ) } i 1 M ′ ⊂ X × ( C ⋃ U ) D_{test-open} \{(x_i, y_i)\}^{M} _{i1} ⊂ X × (C \bigcup U) Dtest−open{(xi,yi)}i1M′⊂X×(C⋃U) 返回的概率分布: p ( y ∣ x , y ⊂ C ) p(y|x,y\subset C) p(y∣x,y⊂C) over known classes 理解输入的图像为已知类的概率 返回一个分数score: S ( y ∈ C ∣ x ) S(y\in C|x) S(y∈C∣x) indicate whether or not the test sample belongs to any of the known classes.
解析
在这种情况下模型需要处理两种情况已知类别和未见类别。 对于已知类别 C C C模型会计算条件概率 p ( y ∈ C ∣ x ) p(y ∈ C|x) p(y∈C∣x)表示在给定输入示例x的条件下该示例属于任何已知类别的概率。这样模型可以返回一个关于已知类别的概率分布 p ( y ∣ x , y ∈ C ) p(y|x, y ∈ C) p(y∣x,y∈C)用于表示模型对于每个已知类别的置信度。 同时模型还会返回一个分数 S ( y ∈ C ∣ x ) S(y ∈ C|x) S(y∈C∣x)该分数用于指示测试样本是否属于任何已知类别。 这个分数可以是一个连续值或二进制值表示测试样本属于已知类别的程度。较高的分数表明测试样本更有可能属于已知类别而较低的分数则表明测试样本可能属于未见类别 U U U。
3 关于概率分布 p ( y ∣ x ) 和 p ( y ∣ x , y ∈ C ) p(y|x)和p(y|x, y ∈ C) p(y∣x)和p(y∣x,y∈C)
关系
p(y|x)表示在给定输入示例x的条件下该示例属于类别y的概率。这是一个针对已知类别的条件概率分布在封闭集合的情景下使用。p(y|x, y ∈ C)表示在给定输入示例x的条件下该示例属于任何已知类别y的概率。这也是一个针对已知类别的条件概率分布但在开放集合的情景下使用。
区别
范围概率分布p(y|x)仅考虑已知类别C而概率分布p(y|x, y ∈ C)同时考虑已知类别C和未知类别U。输出概率分布p(y|x)仅给出关于已知类别的概率信息而概率分布p(y|x, y ∈ C)还会给出关于已知类别的分数信息用于指示测试样本是否属于已知类别。用途概率分布p(y|x)主要用于封闭集合的分类任务而概率分布p(y|x, y ∈ C)主要用于开放集合的分类任务可以处理未见过的类别U。
