基于非负矩阵分解的通用类别发现新视角

通用类别发现（GCD）旨在使用标记的基数据对基准图像和新图像进行分类。然而，当前方法不足以针对基于余弦相似性构建的共现矩阵 $\bar{A}$ 进行内在优化，无法实现基准-新领域的零交叉区域以及基准和新领域的充分稀疏性。为此，我们提出了非负矩阵分解的通用类别发现（NN-GCD）框架。该框架采用对称非负矩阵分解（SNMF）作为数学工具，证明了最优 K 均值聚类与最优 SNMF 的等价性，以及 SNMF 求解器与非负对比学习（NCL）优化的等价性。基于这些理论等价性，NN-GCD 将 $\bar{A}$ 的优化和 K 均值聚类重新表述为 NCL 优化问题。此外，为满足非负约束并使 GCD 模型收敛至近最优区域，我们提出了 GELU 激活函数和 NMF NCE 损失。为将 \bar{A 从次优状态迁移至期望的 $\bar{A}^*$，我们引入混合稀疏正则化方法以施加稀疏约束。实验结果表明，NN-GCD 在 GCD 数据集上优于当前最先进方法，平均准确率达到 66.1%，显著优于先前方法高出 4.7%。