AAAIDec, 2023

通用类别发现的转移和对齐网络

PDF
TL;DR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。
generalized category discoverytransfer and alignment networkknowledge transferfeature alignmentnovel categories
发现论文，激发创造
  • 基于分离原型网络的泛化类别发现

    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。

    Nov, 2022

  • 使用转移相似度函数进行深度图像分类发现

    利用先验知识辅助探索图像类别的一种方法是采用对弱二元成对约束的对比损失进行学习，从其他领域的数据集中学习转移相似函数，这种新颖的端到端网络将未标记的图像映射到不同的类别上，模拟一种简单的知识转移。实验证明该网络在多个大规模数据集上能够显著提高聚类效果。

    Dec, 2016

  • 基于锚点的无监督学习方法用于连续广义类别发现

    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。

    Jul, 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

  • 基于单模态和多模态数据的联合表示学习与新类别发现

    该论文探讨了如何在单模态和多模态数据中发现新类别，提出了一种基于自监督表征学习的端到端框架来处理带有来自不同但相关类别的标签的数据，通过 WTA 哈希算法生成伪标签以更好地预测聚类分配结果，并在多个标准基准测试集上取得了最先进的成果。

    Apr, 2021

  • 异构领域自适应的同时语义对齐网络

    本文提出了一种同时利用语义相似性和目标伪标签的异构域适应模型（SSAN），通过隐式语义相关损失和几何相似性参与的伪标签精化过程，在不同数据类型的异构域上实现有效的特征对齐和类别中心对齐，Excel 在各种异构域适应任务中。

    Aug, 2020

  • 通用图像分类的比较知识转化

    本文提出一种基于深度学习的通用框架，模拟人类图像分类任务中的识别机制，旨在在分类任务中提高对未知类别的分类性能。作者研究了一项新的任务，称为比较知识转换，该任务通过一个比较分类转换网络，将已标记类别的比较知识翻译到一组新类别上。实验表明，该模型在未知类别上具有令人惊讶的泛化能力，并在目标类别上取得了顶尖的性能。

    May, 2022

  • 网络移植 (扩展摘要)

    本文提出了一种通过神经网络移植实现将特定任务和类别的神经网络移植到通用的模块化网络中的方法，并采用新的蒸馏算法 back-distillation 来克服网络移植的特定挑战。

    Jan, 2019

  • Few-Shot 识别的知识图谱迁移网络

    该研究提出了一种基于知识图谱的网络模型，通过在少量训练数据的基础上进行信息传递和语义相关性分析，实现在大规模数据集上进行 few-shot 的学习，取得了较好的效果。

    Nov, 2019

  • 学习聚类以在不同领域和任务间进行转移

    该论文提出了一种新的方法，将迁移学习视为学习聚类的问题，通过相似性信息的迁移学习和聚类网络的学习，实现了跨领域和跨任务的转移学习。作者使用了相似性网络和两种新方法来探究无监督域自适应和跨任务学习，并在该领域展现了最新成果，将其与其他算法进行比较。同时，该方法可以应用于不同的数据集，从而增加了灵活性和稳健性，并通过进一步与域适应法相结合，获得了更好的性能。

    Nov, 2017