CVPRJun, 2021

邻域对比学习用于新类别发现

PDF
TL;DR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。
发现论文，激发创造
  • 元发现：在非常有限的数据集下学习发现新类别

    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。

    Feb, 2021

  • 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

  • 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

  • 从朋友那儿获取帮助：最近邻对比学习视觉表示

    NNCLR 是一种基于最近邻对比学习的自监督学习算法，将数据集中最近邻作为正样本而不是图像的不同视角，能够提供比预定义的变换更多的语义变化，达到了在 ImageNet 分类和迁移学习基准测试中超越现有先进方法的效果。此外，该方法的鲁棒性能更好，对于数据变换的依赖性更小。

    Apr, 2021

  • 邻域增强对比学习优化图协同过滤

    本文提出一种名为邻域增强对比学习（Neighborhood-enriched Contrastive Learning，简称 NCL）的方法，将邻居嵌入到对比对中，以实现在图协同过滤方法中减少数据稀疏性的效果，并在五个公共数据集上进行广泛的实验证明了该方法的有效性，尤其在 Yelp 和 Amazon-book 数据集上分别获得了 26％和 17％的性能提升。

    Feb, 2022

  • 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

  • 非负对比学习

    通过非负对比学习（NCL），我们提出非负矩阵分解（NMF）的新应用，旨在提取可解释的特征，在数学上与 NMF 目标保持一致，不仅在特征区分度、特征选择方面表现出众，而且在下游分类任务中表现优异。

    Mar, 2024

  • 利用引用嵌入的邻域对比学习科学文献表征

    本文提出了一种通过对比学习来改善科学文档表示的方法 —— 使用引文图嵌入进行所控制的最近邻抽样来学习连续的相似度，内容主要涉及对比学习、科学文档表示、引文图嵌入、相似度语义以及相关研究。

    Feb, 2022

  • 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