Apr, 2023

CiPR: 一种具有跨实例正面关系的高效广义类别发现框架

PDF
TL;DR本文提出了一种名为 CiPR 的框架来解决广义类别发现的问题，其考虑了在部分标记的数据集中自动聚类未知类别的实例，并提出了交叉实例正关系的利用以进行对比学习来引导表示，同时使用选择的邻居聚类算法进行半监督层次聚类，并提出了一种方法来估计未知的类别数量。在公共图像识别数据集上的测试表明，该框架在部分数据集上都可以成为新的最新技术。
generalized category discoverypartially labelled datasetciprcross-instance positive relationssemi-supervised hierarchical clustering
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

  • 类别发现中无唯一代表

    本文提出了一个新的通用类别发现（GCD）方法，通过使用一种合成数据集 'Clevr-4' 进行研究和评估，该数据集包含四个不同的数据分割，需要模型在有标签数据集的基础上推断出类别的层次结构，解决传统无监督聚类方法存在的问题，并在实验中展示了该方法的优越性。

    Nov, 2023

  • CLIP-GCD: 简单的语言指导通用类别发现

    本文通过引入多模态模型 (CLIP)，提出了一种基于文本检索的机制，通过挖掘带标签和无标签文本库中的文本描述来实现联合图像 + 文本半监督聚类，该方法在多个数据集上得到了最优结果。

    May, 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

  • 学习半监督高斯混合模型以用于泛化类别发现

    该论文提出了一种 EM-like 框架，基于半监督的高斯混合模型，利用渐进式的原型对比学习进行表征学习，并采用聚类分配实例，从而解决不知道类数的广义类别发现问题，并在分类和物体识别上取得最先进的性能。

    May, 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

  • OpenGCD：辅助通用类别发现的开放世界识别

    OpenGCD 是一个开放式世界识别系统，通过将不同方法有序地结合起来，实现了自动化的未知类别识别、分类和标记，并具有良好的兼容性和性能表现。

    Aug, 2023

  • 联邦式广义类别发现

    提出一种基于 Associated Gaussian Contrastive Learning 框架的联邦广义类别发现模型，该模型适用于在不暴露客户机训练数据的情况下协同训练，通过在服务器上聚合客户机学习的 GMM 分类生成全局 GMM 来生成更全面的类别知识，本地 GCL 使用有限的本地数据学习鲁棒的表示，全局 GCL 使用综合的类别关系鼓励模型产生更具有区分度的表示，实验表明该模型优于 FedAvg 基线。

    May, 2023

  • 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

  • 对比均移学习用于广义类别发现

    我们提出了一种名为对比均值漂移（CMS）学习的方法，该方法在泛化图像聚类问题中使用经典而强大的均值漂移算法，并结合对比学习框架，通过均值漂移和对比更新的迭代过程来训练图像编码器，以产生具有更好聚类特性的表示。实验证明，在六个公共泛化类别发现基准测试中，我们的方法无论是在已知或未知总聚类数的设置下，都取得了最先进的性能，而无需使用其他技巧或方法。

    Apr, 2024