Os modelos de classificação discriminatória assumem frequentemente que todas as classes estão disponíveis na fase de formação. Como tal modelos não têm uma estratégia para aprender novos conceitos com as instâncias não rotuladas disponíveis, normalmente trabalham mal quando surgem classes desconhecidas a partir de dados futuros para serem classificadas. Para abordar o aparecimento de novas classes, alguns autores desenvolveram abordagens para transferir conhecimentos de turmas conhecidas para turmas desconhecidas. O nosso estudo proporciona uma abordagem mais flexível para aprender novas aulas (visuais) que emergem ao longo do tempo. A ideia chave é materializada por um classificador iterativo que combina Máquinas Vectoriais de Suporte com clustering através de um algoritmo de optimização. Uma estratégia de seleção baseada em entropia e densidade explora a incerteza das etiquetas e regiões de alta densidade a partir de dados não etiquetados para serem classificados. As instâncias selecionadas de novas classes são submetidas para obter etiquetas e depois utilizadas para melhorar o modelo. A classificação da imagem proposta é consistentemente melhor do que as abordagens que selecionam instâncias de forma aleatória ou a partir de clusters. Mostramos também que as características obtidas através de métodos de aprendizagem profunda melhoram os resultados quando comparadas com características pouco profundas, mas apenas utilizando a nossa estratégia de seleção. A nossa abordagem requer menos iterações para aprender novas turmas, o que poupa significativamente os custos da rotulagem.
Coautores:
Moacir Ponti, Eduardo R. Hruschka, Ayan Acharya , Joydeep Ghosh.