CDAD-Net：弥合广义类别发现中的领域鸿沟
计算机视觉与模式识别
2024-04-09 v1
摘要
在广义类别发现 (GCD) 中，我们利用已知类别的训练数据集，对已知类别和新类别的未标记样本进行聚类。由于这些数据集之间存在领域偏移，产生了一个显著的挑战。为了解决这个问题，我们提出了一种新设定：跨领域广义类别发现 (AD-GCD)，并提出了 CDAD-NET（跨领域类别发现器）作为解决方案。CDAD-NET 旨在同步标记（源）和未标记（目标）数据集中潜在的已知类别样本，同时强调对目标数据的独特分类。为了实现这一点，我们提出了一种熵驱动的对抗学习策略，该策略考虑了目标样本相对于源域类原型的距离分布。同时，通过融合三个度量学习目标来维持共享空间的判别性质。在源域中，我们关注于细化样本与其所属类原型之间的邻近度；而在目标域中，我们整合了以邻域为中心的对比学习机制，并通过一种熟练的邻居挖掘方法加以丰富。为了进一步突显语义对齐图像之间细微的特征关联，我们倡导条件图像修复的概念，强调了语义相似的图像在任务中比互不相干的图像更有效的这一前提。在实验上，CDAD-NET 在我们提出的三个 AD-GCD 基准上超越了现有文献，性能提升了 8-15%。
引用
@article{arxiv.2404.05366,
title = {CDAD-Net: Bridging Domain Gaps in Generalized Category Discovery},
author = {Sai Bhargav Rongali and Sarthak Mehrotra and Ankit Jha and Mohamad Hassan N C and Shirsha Bose and Tanisha Gupta and Mainak Singha and Biplab Banerjee},
journal= {arXiv preprint arXiv:2404.05366},
year = {2024}
}
备注
Accepted in L3D-IVU, CVPR Workshop, 2024