AAAINov, 2022

基于分离原型网络的泛化类别发现

PDF
TL;DR提出了一种名为 Decoupled Prototypical Network 的新模型，能够解耦已知和新类别，显式地从标记数据到未标记数据转移类别特定知识，捕捉高级语义信息，并通过语义加权软赋值减轻硬伪标签噪声，该模型在多个基准数据集上表现优于现有技术。
generalized category discoverydecoupled prototypical networksemantic-aware prototypical learningcategory-specific knowledgeunlabeled data
发现论文，激发创造
  • 使用聚类分配一致性进行的广义类别发现

    自动发现广义类别的开放式任务，使用半监督表示学习过程中获得的区分性嵌入，构建原始稀疏网络并使用社区检测方法同时获取聚类结果和类别数。

    Oct, 2023

  • 通用类别发现的动态概念对比学习

    本文提出了一种动态概念对比学习（DCCL）框架，该框架通过交替估计基本视觉概念和学习概念表示来有效地提高聚类准确性。实验结果表明，DCCL 在通用和细粒度视觉识别数据集上取得了新的最优表现，尤其是在细粒度方面表现良好。

    Mar, 2023

  • 双进化原型网络用于广义零样本学习

    本文介绍了一种名为 “双重渐进式原型网络（DPPN）” 的方法，用于解决广义零样本学习（GZSL）中的问题，包括域偏移问题、视觉代表性的跨域可转移性和类别可辨别性。DPPN 通过学习属性和类别的两种原型模式来构建视觉表征，从而逐渐提高属性定位准确性和类别区分度，并在四个基准测试上进行了验证。

    Nov, 2021

  • 内存一致性引导的分治学习方法用于广义类别发现

    通过引入两个内存库记录未标记数据的历史预测，我们提出了一个记忆一致性引导的分治学习框架（MCDL），该框架利用预测一致性衡量每个样本的可信度，设计了分治学习策略来充分利用未标记数据的区分性信息，同时减小噪声标签的负面影响，通过多个基准实验结果证明了我们方法的广泛性和优越性，我们的方法在通用图像识别和具有挑战性的语义转换任务中（分别在 CUB 上获得 8.4％的增益和斯坦福汽车上获得 8.1％的增益）大幅超过了现有先进模型。

    Jan, 2024

  • 通用类别发现的转移和对齐网络

    广义类别发现任务中，传统方法在已知类别上的表现较好，但在新颖类别上表现不佳。为了减轻这两个问题，我们提出了一种转移和对齐网络 (TAN)，它包含两种知识转移机制来校准偏倚知识和两种特征对齐机制来学习判别特征。我们的结果显示，我们的模型在新颖类别上表现优于现有方法。

    Dec, 2023

  • CDAD-Net: 广义类别发现中的领域差距连接

    在跨领域广义类别发现中，CDAD-NET 通过对源域和目标域之间的样本进行同步，强调目标数据的独特分类，并且通过三个度量学习目标的融合来保持共享空间的区分性。在实验中，CDAD-NET 在三个 AD-GCD 基准测试中表现出 8-15％的性能提升。

    Apr, 2024

  • MetaGCD：泛化类别发现中的持续学习

    我们提出了一种名为 MetaGCD 的方法，使用元学习框架和基于邻域的对比网络，实现了在已知类别中持续发现新类别的能力，并通过实验结果展示了该方法的优越性。

    Aug, 2023

  • 超越已知聚类：为高效泛化类别发现探索新原型

    基于知识学习的通用类发现 (GCD) 旨在根据来自已标记和未标记数据的知识动态地为未标记数据分配标签，然而现有方法主要依赖于聚类算法的性能，并受限于聚类算法的固有局限性。

    Apr, 2024

  • SPTNet：利用空间提示调整的高效广义类别发现替代框架

    一种名为 SPTNet 的两阶段适应方法，通过迭代优化模型参数和数据参数，以及考虑图像数据的空间属性的 SPT 方法，显著提高了广义类别发现任务的准确性，在 SSB 上的平均准确度高达 61.4%。

    Mar, 2024

  • 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