类增量新类别发现

ECCVJul, 2022

Class-incremental Novel Class Discovery

Subhankar Roy, Mingxuan Liu, Zhun Zhong, Nicu Sebe, Elisa Ricci

TL;DR本文探讨了一种新的任务，即类增量的新类别发现（class-iNCD），提出了一种基于预训练模型的方法，利用基类特征原型和特征级别的知识蒸馏，结合自我训练聚类策略实现发现新类别，且能够识别先前已见基类别，实验结果表明该方法显著优于现有方法。

Abstract

We study the new task of class-incremental novel class discovery (class-iNCD), which refers to the problem of discovering novel categories in an unlabelled data set by leveraging a pre-trained model that has been

class-incremental novel class discovery pre-trained model feature-level knowledge distillation self-training clustering strategy state-of-the-art approaches

发现论文，激发创造

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

自适应发现和合并用于增量式新类别发现

提出了一种自适应发现和合并（ADM）的新范式，用于在增量阶段自适应地发现新类别并将新知识整合到模型中，通过减少对旧类别的干扰来保留先前知识，并在不降低性能和参数增长的情况下将新分支合并到基本模型中，从而显著优于现有的类别增量性新类别发现方法（class-iNCD）并减轻类别增量性学习（class-IL）任务中的灾难性遗忘问题。

Mar, 2024

通过特征增强和适应实现不断的新类别发现

我们提出了一种用于 Continual Novel Class Discovery (CNCD) 的新型特征增强和适应方法，其中包括一个用于指导新型类别发现的框架，一个用来约束不同类别之间样本和中心点的相似性的约束，以及一个用于在增量学习过程中让新型类别特征适应共享特征空间的约束。实验证明了我们方法的优越性。

May, 2024

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

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

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

强预训练模型实现类别增量学习

在大规模的 ImageNet 数据集上，我们探索了一种从已经训练好的模型中增量学习的方法，通过二阶段训练方案，融合与增强，我们的方法比现有的方法在准确率上提高了 10%。

Apr, 2022

增量式广义类别发现

本论文探讨如何在新（未知）目标的情况下正确归类图像，并提出了一种新的基于非参数分类组合的高效采样方法，以缓解灾难性遗忘，并通过提出的基准数据集 iNatIGCD 在实验中表现优异。

Apr, 2023

新类别发现的统一目标

本文旨在研究通过使用已标记类别的先前知识来推断未标记集合中的新物体类别的新类发现问题。我们引入了一个称为 UNO 的统一目标函数，以利用多视角自标记策略生成伪标签以了解已知和未知类别，从而克服了现有方法中的问题，并在几个基准测试中显着优于现有技术。

Aug, 2021

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