监督知识可能会影响新类别发现性能
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
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
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
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
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
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
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。
Oct, 2022
该文提出了一种名为 OpenNCD 的新的半监督开放世界的未知类别发现方法,它是一种在多个原型上进行的渐进式双层对比学习方法,该方法由两个相互增强的部分组成。首先,介绍了一种双层对比学习方法,然后提出了一个可靠的原型相似度度量方法。对三个图像数据集进行了广泛的实验,结果表明该方法在开放世界的情况下特别有效,特别是在已知类别和标签稀缺的情况下。
May, 2023
本研究探讨使用半监督学习方法在训练集中加入未标记的新类图片,以提高表示学习在搜索新类别图片时的效率,并提出了一种新的评估方法来评估基于半监督学习方法的表示学习,在语义差异较大时,相比于传统监督学习,基于半监督学习的表示学习可以在搜索新类别图片时取得更好的效果。
Aug, 2022
基于先前知识,该论文提供了一个分析框架来形式化和研究已知类别如何帮助发现新的类别,通过介绍一种图论表示,引入了一种新型的 NCD 谱对比损失 (NSCL),通过最小化该目标函数,等价于因子分解图的邻接矩阵,从而得到可证明的误差界限以及 NCD 的充分必要条件。在实证上,NSCL 在常见基准数据集上能够匹配或胜过多个强基准方法,具有吸引人的实际用途和理论保证。
Aug, 2023