ImbaGCD: 不平衡广义类别发现

CVPRDec, 2023

ImbaGCD: Imbalanced Generalized Category Discovery

Ziyun Li, Ben Dai, Furkan Simsek, Christoph Meinel, Haojin Yang

TL;DR不平衡的广义类别发现（ImbaGCD）是一个具有挑战性且实用的问题，该问题在未标记的数据集中，已知类别的分布偏向于常见类别而不是罕见类别。为了解决这些问题，我们提出了一种新的基于最优传输的期望最大化框架（ImbaGCD），通过对齐边际类别先验分布来完成广义类别发现，并在 GCD 设置下结合了一种估计不平衡类别先验分布的系统机制。我们的全面实验表明，ImbaGCD 在 CIFAR-100 上改进了约 2-4％，在 ImageNet-100 上改进了 15-19％，表明其在解决不平衡 GCD 问题方面具有优越的效果。

Abstract

generalized class discovery (GCD) aims to infer known and unknown categories in an unlabeled dataset leveraging prior knowledge of a labeled set comprising known classes. Existing research implicitly/explicitly assumes that the frequency of occurrence for each category, whether known o

generalized class discovery imbalanced generalized category discovery optimal transport-based expectation maximization framework marginal class prior distribution imbalanced class prior distribution

发现论文，激发创造

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

主动广义类别发现

提出了一种新的主动学习设置，名为主动广义类别发现（AGCD），旨在通过主动选择有限数量的有价值样本进行标注，从而改善广义类别发现的性能。

Mar, 2024

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

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

MetaGCD：泛化类别发现中的持续学习

我们提出了一种名为 MetaGCD 的方法，使用元学习框架和基于邻域的对比网络，实现了在已知类别中持续发现新类别的能力，并通过实验结果展示了该方法的优越性。

Aug, 2023

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

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

面向分布无关的广义类别发现

通过提出一种自平衡协助对比框架（BaCon），该框架包括对比学习分支和伪标签分支，协同工作提供交互式监督以解决分布不可知的广义类别发现任务，在长尾开放世界环境中生成针对接近集和开放集类别的细粒度预测。与其他相关领域的最先进方法进行比较，BaCon 表现出卓越的性能，并在各种数据集上进行了综合分析。

Oct, 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

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