Jul, 2021

利用双重排名统计和相互知识蒸馏进行新型视觉类别发现

PDF
TL;DR本文提出一种基于双分支学习架构的方法，通过对已标记数据的局部信息和整体特征进行双重排序统计来对未标记数据生成伪标签，提高视觉分类发现的性能，在多个基准数据集上测试均取得了最佳表现。
visual category discoverysemi-supervised learningtwo-branch learning frameworkmutual knowledge distillationfine-grained visual recognition
发现论文，激发创造
  • 自动发现和学习新的视觉类别：基于排序统计学的方法

    本文针对在一个图像集合中发现新类别的问题，提出结合自监督学习、排名统计和联合目标函数优化的方法，使用带标签和未标记数据训练数据表示模型，成功应用于标准分类基准测试中，显著优于现有的方法。

    Feb, 2020

  • 通过深度转移聚类学习发现新的视觉类别

    该研究考虑了在图像集合中发现新对象类别的问题，使用先前的相关但不同的图像类别的先验知识降低聚类的歧义，改善新发现类别的质量，其中使用了 Deep Embedded Clustering、传输学习、表示瓶颈、时间集成、一致性和类别估计等多种技巧，并在 ImageNet、OmniGlot、CIFAR-100、CIFAR-10 和 SVHN 等许多基准测试中显著优于现有技术。

    Aug, 2019

  • 追求知识：使用双重记忆发现和定位新类别

    本文介绍了一种新方法，使用两个内存模块（即工作内存和语义内存）利用先前知识发现和定位大规模未标注数据集中的新物体类别，并在挑战性的 COCO 数据集上展示了该方法的性能。

    May, 2021

  • 广义类别发现

    本文研究了一种高度通用的图像识别场景，提出了一种名为 'Generalized Category Discovery' 的方法，使用视觉变换器、对比表示学习和半监督 k 均值方法对未标记的数据进行分类。

    Jan, 2022

  • 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

  • 基于弱监督检测知识蒸馏的多标签图像分类

    本文提出了一种基于深度学习并利用弱监督检测模型去除物体标注信息的多标签图像分类方法，该方法能有效提高性能并保持高效。实验证明该方法在两个大型数据集（MS-COCO 和 NUS-WIDE）上均优于现有的先进方法。

    Sep, 2018

  • 基于单模态和多模态数据的联合表示学习与新类别发现

    该论文探讨了如何在单模态和多模态数据中发现新类别，提出了一种基于自监督表征学习的端到端框架来处理带有来自不同但相关类别的标签的数据，通过 WTA 哈希算法生成伪标签以更好地预测聚类分配结果，并在多个标准基准测试集上取得了最先进的成果。

    Apr, 2021

  • AutoNovel：自动发现和学习新视觉类别

    本文提出一种名为 AutoNovel 的新方法，通过结合自监督学习、排序统计和联合目标函数优化等方法解决了在给定其他类别的标记示例的情况下发现图像集合中新类别的问题，并提出了一种估计新类别数量的方法。最终，在标准分类基准上评估 AutoNovel 并取得了显著的效果提升，同时也展示出 AutoNovel 可用于完全无监督的图像聚类。

    Jun, 2021

  • 在线对比学习的知识蒸馏在视觉识别中的应用

    论文提出了一种互惠对比学习（MCL）框架来进行基于网络的集成学习，可以提高模型的特征表达能力，从而提高视觉识别任务的性能。

    Jul, 2022

  • 无数据知识蒸馏用于细粒度视觉分类

    我们提出了一种名为 DFKD-FGVC 的方法，它扩展了 DFKD 到细粒度视觉分类任务，使用了对抗蒸馏框架、注意力生成器、混合高阶注意力蒸馏和语义特征对比学习，以实现更好的性能表现。

    Apr, 2024