CVPROct, 2022

利用类间和类内约束建模新类别发现

PDF
TL;DR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。
novel class discoveryinter-class constraintsintra-class constraintsskldperformance improvements
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 发现新类别的间隔损失

    本文提出了一种新的学习模式，称为 Novel Class Discovery (NCD)，它主要应用于无标签数据的语义分组，通过利用来自不同集合的标记实例，利用单阶段和双阶段方法来对现有 NCD 方法进行表征。我们设计了一种称为 Spacing Loss 的新型损失函数，通过多维缩放中间层来实现潜在空间的可分离性，从而提高现有 NCD 方法的效力。经过对 CIFAR-10 和 CIFAR-100 数据集的多种设置进行彻底的实验评估，证实了 Spacing Loss 的有效性。

    Apr, 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

  • 类增量新类别发现

    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。

    Jul, 2022

  • 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