AAAIFeb, 2024

无偏的新类别发现和定位

PDF
TL;DR通过 Debiased Region Mining (DRM) 方法和半监督对比学习来解决目标检测中的偏见问题，提出了一种能够有效发现、定位和聚类新类别的训练器，其在 NCDL 基准测试中显著优于先前的方法，成为了新的最先进技术。
object detectionnovel class discovery and localizationbiasdebiased region miningsemi-supervised contrastive learning
发现论文，激发创造
  • 领域自适应物体检测中 region proposal 与分类协同训练

    本文研究领域自适应目标检测中的区域建议网络 (RPN) 和分类器 (RPC)，发现了二者在面对大型区域差异时的显著差异，通过最小最大优化及使用低置信度样本差异计算，提出了一种互相指导训练，并在多种场景下验证了其有效性的方法。

    Sep, 2020

  • 邻域对比学习用于新类别发现

    本研究提出了一种名为 NCL 的新框架，旨在学习具有判别性的表示，从而创建一个用于聚类性能的新类别发现（NCD）任务，其中，利用特征提取器生成的表示来检索和聚合伪正对，虽然大多数实例很容易通过网络进行区分，但我们通过在特征空间中混合标记和未标记的样本来生成难以区分的样本。实验证明，这两个组成部分显著提高了聚类性能，并使我们的模型在 CIFAR-100 和 ImageNet 上的聚类准确性提高 13％和 8％，远远超过现有方法。

    Jun, 2021

  • 基于概率矩阵视角的新类别发现

    基于部分类别空间注释数据，对已知类别进行分类和聚类及发现新类别 (Novel Categories Discovery，NCD) 解决了开放世界问题。通过硬约束和软约束相结合的方法，我们成功地实现了基于语义的新类别数据聚类。

    Jul, 2023

  • 新类别发现的统一目标

    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

  • 开放式半监督新类别发现

    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

  • 追求知识：使用双重记忆发现和定位新类别

    本文介绍了一种新方法，使用两个内存模块（即工作内存和语义内存）利用先前知识发现和定位大规模未标注数据集中的新物体类别，并在挑战性的 COCO 数据集上展示了该方法的性能。

    May, 2021

  • 对有标签数据集中新类别发现的深入研究

    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

  • 元发现：在非常有限的数据集下学习发现新类别

    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

  • 提高少样本目标检测的新类别识别

    利用半监督学习技术，通过自动定位和使用未标记的新对象提高少样本目标检测的性能，并通过新的区域建议网络策略提高目标检测模型的感知能力，取得了超过现有最先进方法的性能。

    Mar, 2023

  • 学习开放世界物体提议，不需学习分类

    本文提出一种基于 Object Localization Network (OLN) 且不需要分类器的目标定位方法，创新性地实现了目标定位的普适性并在交叉数据集上验证了其有效性。

    Aug, 2021