Feb, 2021

元发现：在非常有限的数据集下学习发现新类别

PDF
TL;DR本文通过解密 novel class discovery (NCD) 的假设，找到高级语意特征应该在已知和未知类之间共享。基于此发现，我们可以通过 meta-learning 算法对 NCD 问题进行经验性解决，在实验中表现出了显著的特性。
novel class discoveryclustering modelsmeta-learningsemantic featuresunlabeled data
发现论文，激发创造
  • 对有标签数据集中新类别发现的深入研究

    本文从有标记集合出发，关注如何更好地支持无标记数据集的新类别发掘，提出了一个基于语义相似度的标记集合选取方法，并定义了一个度量有标记集合与无标记集合之间语义相似度的数学方法，实验结果表明在低相似度环境下使用标记信息可能会导致次优结果。

    Sep, 2022

  • 表格数据中新类发现的实用方法

    通过调整超参数和使用未标记的已知类别来解决表格数据的新类别发现问题，并针对真实条件下进行了简化处理，以提供有效的解决方案。

    Nov, 2023

  • 基于概率矩阵视角的新类别发现

    基于部分类别空间注释数据，对已知类别进行分类和聚类及发现新类别 (Novel Categories Discovery，NCD) 解决了开放世界问题。通过硬约束和软约束相结合的方法，我们成功地实现了基于语义的新类别数据聚类。

    Jul, 2023

  • 已知类如何帮助发现未知类？通过谱分析的可证明理解

    基于先前知识，该论文提供了一个分析框架来形式化和研究已知类别如何帮助发现新的类别，通过介绍一种图论表示，引入了一种新型的 NCD 谱对比损失 (NSCL)，通过最小化该目标函数，等价于因子分解图的邻接矩阵，从而得到可证明的误差界限以及 NCD 的充分必要条件。在实证上，NSCL 在常见基准数据集上能够匹配或胜过多个强基准方法，具有吸引人的实际用途和理论保证。

    Aug, 2023

  • 邻域对比学习用于新类别发现

    本研究提出了一种名为 NCL 的新框架，旨在学习具有判别性的表示，从而创建一个用于聚类性能的新类别发现（NCD）任务，其中，利用特征提取器生成的表示来检索和聚合伪正对，虽然大多数实例很容易通过网络进行区分，但我们通过在特征空间中混合标记和未标记的样本来生成难以区分的样本。实验证明，这两个组成部分显著提高了聚类性能，并使我们的模型在 CIFAR-100 和 ImageNet 上的聚类准确性提高 13％和 8％，远远超过现有方法。

    Jun, 2021

  • 基于新颖类别发现和基础模型的三维语义分割

    这篇论文介绍了点云数据的一种新任务 NCD 的语义分割方法，通过在线聚类、不确定性估计和语义蒸馏提出了一种新的 NCD 方法，并提出了一种新的评估协议来严格评估其在点云语义分割中的性能，通过在多个数据集上进行全面评估，证明了该方法相对于其他基准方法的显著优势。

    Dec, 2023

  • 3D 点云语义分割的新型类别发现

    本文提出一种基于在线聚类和不确定性量化的新型类别发现方法，用于处理 3D 点云数据的语义分割，设计了新的评估协议以验证其性能优于传统方法。

    Mar, 2023

  • 一种用于表格数据中新类别发现的交互界面

    该研究旨在解决在无标签数据集中发现新类别的问题，其中大部分方法仅涉及图像数据，但是该研究中提供的界面允许领域专家在最小数据科学知识的情况下运行用于表格数据的最先进的 NCD 算法，并生成易于解释的结果。

    Jun, 2023

  • 自协作知识蒸馏用于新类别发现

    利用已学习的有关已知类别的知识，通过发现未标记样本中的未知和新颖类别来实现 Novel Class Discovery (NCD)。通过使用模型对已知和新颖类别的特征表示进行建模，构建两个不相交的表示空间，并通过自协同学习来提高模型的学习能力。通过六个数据集的广泛实验验证了该方法的可行性和超越性能。

    Jul, 2024

  • 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