Efficiency testing of openset learning methods in image classification

Kovács, László, Palencsár, Enikő, Bán, Péter (2025) Efficiency testing of openset learning methods in image classification In: Proceedings of the International Conference on Formal Methods and Foundations of Artificial Intelligence. Eger, Eszterházy Károly Catholic University. pp. 129-139.

pdf fmfai2025_pp129-139.pdf Download (642kB) [error in script]

Absztrakt (kivonat)

The problem of detecting untrained categories may cause efficiency degradation in many application areas, because the real-word domains are usually dynamic, or the available data set may be incomplete. Despite the relatively high cost of related misclassification errors, the field of openset learning is an underinvestigated domain in machine learning. The main goal of this paper is to investigate the efficiency of current technologies for the openset learning problem on a standard benchmark image dataset. As the results of the performed comparison tests show that the widely proposed standard methods do not provide good results, in many cases the hybrid methods can dominate the usual approaches. In the paper, we present a novel extended threshold method that provides better accuracies than the usual benchmark methods.

Mű típusa:	Könyvrészlet - Book section
Szerző:	Szerző neve Email MTMT azonosító ORCID azonosító Közreműködés Kovács, László NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző Palencsár, Enikő NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző Bán, Péter NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző
Kapcsolódó URL-ek:	Befoglaló kötet
Kulcsszavak:	image classification, CNN neural networks, openset learning problem
Nyelv:	angol
DOI azonosító:	10.17048/fmfai.2025.129
Felhasználó:	Tibor Gál
Dátum:	28 Okt 2025 10:27
Utolsó módosítás:	28 Okt 2025 10:27
URI:	http://publikacio.uni-eszterhazy.hu/id/eprint/8809

Műveletek (bejelentkezés szükséges)

Tétel nézet