Dec, 2020

使用核网络进行开放世界的课程发现

PDF
TL;DR研究了一个 Open-World Class Discovery 问题，并提出了一种深度学习框架 CD-KNet-Exp 来实现新类别的发现，利用互独法准则将有监督和无监督信息结合在一起，通过三个公共数据集和一个困难的实际射频指纹数据集的实验证明了其卓越性能。
open-world class discoveryclass discovery kernel network with expansiondeep learninghilbert schmidt independence criterionradio frequency fingerprinting dataset
发现论文，激发创造
  • 类关系知识蒸馏用于新类别发现

    我们提出了一种基于已知类数据的无监督新类发现问题的解决方案，其中关键挑战在于将已知类数据中的知识传递到新类的学习中。我们引入了一种基于模型预测的类分布的类关系表示来对新类进行建模，并提出了一个新颖的知识蒸馏框架用于规范新类的学习，通过语义相似性自适应地促进知识传输。通过在多个基准数据集上的广泛实验证实了我们方法的有效性和泛化性，结果表明我们的方法几乎在所有基准数据集上显著优于先前的最先进方法。

    Jul, 2023

  • 使用受监督的卷积核网络进行端到端核学习

    本文提出了一种基于多层核机的图像表示方法，并通过监督学习来调整核的形态。该方法构建了一种新的卷积神经网络，在一些深度学习数据集上取得了良好的分类表现，表明了该方法在图像相关任务中的应用价值。

    May, 2016

  • 开放式半监督新类别发现

    该文提出了一种名为 OpenNCD 的新的半监督开放世界的未知类别发现方法，它是一种在多个原型上进行的渐进式双层对比学习方法，该方法由两个相互增强的部分组成。首先，介绍了一种双层对比学习方法，然后提出了一个可靠的原型相似度度量方法。对三个图像数据集进行了广泛的实验，结果表明该方法在开放世界的情况下特别有效，特别是在已知类别和标签稀缺的情况下。

    May, 2023

  • 开放世界分类中的未见类别发现

    该论文研究开放世界分类问题，提出一种联合开放分类模型，该模型可以通过远距离测量函数识别未知类别的被拒绝的测试样本，并应用于聚类分析中，从而实现对未知类别的识别。

    Jan, 2018

  • 跨领域开放世界发现

    通过引入簇 - 匹配策略和面向跨域开放世界发现设计的目标，CROW 通过在稳定的表示空间中强大地匹配簇和之前见过的类别，从而发现新类别，并通过针对跨域开放世界发现设计的目标来精细调整表示空间，实验结果表明 CROW 在图像分类基准数据集上优于其他基线方法，在 75 个实验设置中平均提高了 8％的性能。

    Jun, 2024

  • 无遗忘新类别发现

    本文提出了 NCDwF (无遗忘新类别发现) 这一新的实际问题，并使用生成拟变量表示、基于互信息的正则化以及已知类别标识符等方法进行了研究，通过基于 CIFAR-10、CIFAR-100 和 ImageNet-1000 的实验验证了其在已有知识保留和新类别发现之间的平衡效果。

    Jul, 2022

  • 集成知识蒸馏：学习更强大和高效的网络

    本研究提出了一种集成知识蒸馏方法，可以从不同的教师网络中提取知识，并将其蒸馏成一个紧凑的学生模型，以获得更好的分类准确性和模型泛化性能。实验结果表明，这种集成方法可以显著提高模型的分类准确性和泛化性能，特别是在数据量有限的情况下。

    Sep, 2019

  • 利用类间和类内约束建模新类别发现

    本文提出了在 Novel class discovery 任务中，基于对称 Kullback-Leibler divergence 来建模类间和类内约束条件的方法，从而有效地提高了性能。实验表明，该方法在多个基准数据集上均超过了当前最先进的方法并取得了显著的性能提升。

    Oct, 2022

  • ECKPN: 基于显式类知识传播的半监督小样本学习网络

    通过比较、挤压和校准模块的构建，利用显式类知识传播的方法，ECKPN 方法在四个少样本分类基准测试中显著优于现有方法。

    Jun, 2021

  • 使用空类别检测新颖性

    该研究通过异常检测机制识别未知数据，并在其中学习新类别，通过增加空类来扩充深度神经网络模型的语义空间，实现无监督学习。在图像分类和语义分割任务中进行的实验验证了该方法的有效性。

    Apr, 2023