Nov, 2023

类别发现中无唯一代表

PDF
TL;DR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。
generalized category discoverygcdclusteringdatasetunsupervised clustering
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 语义分割中的广义类别发现

    通过使用基于先验知识的像素掩膜分类任务以及邻域关系引导的掩膜聚类算法，本研究提出一种能够在未标记的图像中自动发现和分割新对象类别的方法，同时为其他模型的训练提供了生成伪标签作为监督的可能性。

    Nov, 2023

  • 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

  • 长尾识别的广义类别发现

    通过研究基于长尾分布的广义类别发现 (Long-tailed GCD) 范式，以及支持稀有类别和预期类别分布的重新加权机制和类先验约束，我们提出的方法在 ImageNet100 上实现了约 6-9% 的改善，并在 CIFAR100 上取得了有竞争力的性能。

    Dec, 2023