Jun, 2024

类别发现的标注数据选择

PDF
TL;DR类别发现方法使用带有标记和未标记图片的训练集，在训练过程中，通过指示标记数据中相关的视觉特性和特征来指导在未标记数据中进行发现，本论文探讨了标记数据选择对发现性能的影响，并提出了两种基于标记数据与未标记数据相似性的自动选择最适合的标记数据的方法，结果表明这种方法在多个具有挑战性的细粒度基准数据集上取得了最先进的发现性能。
category discovery methodslabeled and unlabeled datalabeled data selectionautomatically selectingstate-of-the-art discovery performance
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

  • 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

  • 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

  • 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

  • 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

  • 深度主动学习反思：在模型训练中利用未标记数据

    该研究提出了在主动学习的过程中既利用有标签的数据，也利用无标签的数据进行模型训练的方法，并使用了无监督特征学习和半监督学习的技术，研究表明使用无标签数据进行模型训练在图像分类任务中可以带来比不同获取策略更高的准确度，因此可以得到更小的标签预算。

    Nov, 2019

  • 自学或学以致用？自编码用于广义类别发现

    通过优化的方式，我们提出了一种新颖、高效且自我监督的方法，能够在测试时发现以前未知的类别。我们的方法通过将最短长度的类别编码分配给每个数据实例来捕捉现实世界数据集中普遍存在的隐含类别层次结构，从而增强了对类别细粒度的控制，使我们的模型能够熟练处理细粒度类别。实验证明了我们解决方案在管理测试时的未知类别方面的有效性，并且我们提供了一个理论基础证明其最优性。

    Oct, 2023

  • 利用双重排名统计和相互知识蒸馏进行新型视觉类别发现

    本文提出一种基于双分支学习架构的方法，通过对已标记数据的局部信息和整体特征进行双重排序统计来对未标记数据生成伪标签，提高视觉分类发现的性能，在多个基准数据集上测试均取得了最佳表现。

    Jul, 2021

  • 利用已标记和未标记数据进行学习：技术和领域的实证研究

    本文对多种半监督学习技术在不同数据集上进行实证研究，探讨标记数据和未标记数据的独立性、相关性、数量和噪声对学习效果的影响，同时针对样本选择偏差实现双变量 Probit 技术进行校正。

    Sep, 2011