ICCVJul, 2023

基于锚点的无监督学习方法用于连续广义类别发现

PDF
TL;DR本文提出了一种无监督类增量学习方法，用于在无标签集上发现新类别，通过在有标签数据集上微调特征提取器和代理锚点，并在无标签数据集上对样本进行旧类别和新类别的划分和聚类，并利用基于代理锚点的示例生成代表性类别向量以减轻灾难性遗忘，实验证明，我们提出的方法在真实场景下的细粒度数据集上优于现有技术手段。
deep learningincremental learningnovel category discoveryunsupervised learningproxy anchors
发现论文，激发创造
  • 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

  • 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

  • 通过深度转移聚类学习发现新的视觉类别

    该研究考虑了在图像集合中发现新对象类别的问题，使用先前的相关但不同的图像类别的先验知识降低聚类的歧义，改善新发现类别的质量，其中使用了 Deep Embedded Clustering、传输学习、表示瓶颈、时间集成、一致性和类别估计等多种技巧，并在 ImageNet、OmniGlot、CIFAR-100、CIFAR-10 和 SVHN 等许多基准测试中显著优于现有技术。

    Aug, 2019

  • AutoNovel：自动发现和学习新视觉类别

    本文提出一种名为 AutoNovel 的新方法，通过结合自监督学习、排序统计和联合目标函数优化等方法解决了在给定其他类别的标记示例的情况下发现图像集合中新类别的问题，并提出了一种估计新类别数量的方法。最终，在标准分类基准上评估 AutoNovel 并取得了显著的效果提升，同时也展示出 AutoNovel 可用于完全无监督的图像聚类。

    Jun, 2021

  • 基于伪标签的无监督连续学习

    本研究提出一种用伪标签取代标准标签，在无监督模式下实现连续学习的方法，并提出了一种新的基准实验协议，以更好地评估模型在图像分类任务上的性能。结果表明，使用伪标签和现有的监督方法相结合可以在无监督场景下取得良好的成果。

    Apr, 2021

  • 自动发现和学习新的视觉类别：基于排序统计学的方法

    本文针对在一个图像集合中发现新类别的问题，提出结合自监督学习、排名统计和联合目标函数优化的方法，使用带标签和未标记数据训练数据表示模型，成功应用于标准分类基准测试中，显著优于现有的方法。

    Feb, 2020

  • 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

  • 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

  • 邻域发现的无监督深度学习

    本文提出了一种通用的无监督深度学习方法，通过发现样本邻域来推理和累计学习潜在的类别决策边界，进而进行分类，实验结果显示该方法在图像分类方面优于先前的无监督学习模型。

    Apr, 2019

  • 自主预训练与原型学习的逐类增量学习

    通过分析类增量学习中灾难性遗忘的原因，我们提出了一个两阶段学习框架，其中包括一个固定编码器和一个逐步更新原型分类器。我们的方法不依赖于保留的旧类别样本，是一种非范例基于的 CIL 方法。在公共数据集上的实验证明，我们的方法在保留每类 5 个示例和 10 个阶段递增设置下，比最先进的范例基于方法在 CIFAR-100 上提高了 18.24%，在 ImageNet100 上提高了 9.37%。

    Aug, 2023