面向广义类别发现的一致监督-无监督对齐
计算机视觉与模式识别
2026-02-05 v3
摘要
广义类别发现（GCD）旨在对已知类别进行分类，同时从无标签数据中发现新类别。然而，先前的GCD方法因优化目标不一致和类别混淆而面临挑战，这导致特征重叠，最终阻碍了在新类别上的性能。为解决这些问题，我们提出了受神经坍缩启发的广义类别发现（NC-GCD）框架。通过预先分配并固定等角紧框架（ETF）原型，我们的方法确保了已知和新类别的最优几何结构和一致的优化目标。我们引入了一种一致ETF对齐损失，该损失统一了监督和无监督的ETF对齐，并增强了类别可分性。此外，我们设计了一个语义一致性匹配器（SCM），以在聚类迭代过程中保持稳定且一致的标签分配。我们的方法在多个GCD基准测试上取得了强劲性能，显著提高了新类别的准确率，证明了其有效性。
引用
@article{arxiv.2507.04725,
title = {Consistent Supervised-Unsupervised Alignment for Generalized Category Discovery},
author = {Jizhou Han and Shaokun Wang and Yuhang He and Chenhao Ding and Qiang Wang and Xinyuan Gao and SongLin Dong and Yihong Gong},
journal= {arXiv preprint arXiv:2507.04725},
year = {2026}
}
备注
Accepted by NeurIPS 2025