用于广义类别发现的分量自适应聚类
计算机视觉与模式识别
2025-07-03 v1
摘要
广义类别发现（GCD）旨在解决将无标签图像分为已知类别和新类别的难题，这类问题在部分标记数据集中出现，且无需事先知道未知类别的数量。传统方法常依赖于预定义类别数量的刚性假设，这限制了其处理实际数据中固有的变动性和复杂性的能力。为此，我们提出了 AdaGCD，一个以聚类为中心的对比学习框架，融合了自适应插槽注意力（AdaSlot）到 GCD 框架中。AdaSlot 基于数据复杂度动态确定最优槽位数，无需预定义槽的数量。这种自适应机制促进了对无标签数据进行灵活的聚类，以已知和新类别为目标，通过动态分配表示容量来实现。通过将自适应表示与动态槽分配相集成，我们的方法捕获了实例特定特征和空间聚类特征，提高了在开放世界情境下的数据发现效果。在针对公开数据集和细粒度数据集上的大量实验表明，我们的框架有效，强调了利用空间局部信息进行无标签图像数据集中类别发现的优势。
引用
@article{arxiv.2507.01711,
title = {Component Adaptive Clustering for Generalized Category Discovery},
author = {Mingfu Yan and Jiancheng Huang and Yifan Liu and Shifeng Chen},
journal= {arXiv preprint arXiv:2507.01711},
year = {2025}
}
备注
Accepted by IEEE ICME 2025