基于特征增强与自适应的持续新类发现
计算机视觉与模式识别
2024-05-13 v1 人工智能
摘要
持续新类发现（CNCD）旨在无标签的情况下持续发现新类，同时保持对已学类的识别能力。CNCD面临的主要挑战包括特征差异问题、会话间混淆问题等。本文提出了一种新颖的特征增强与自适应方法来解决上述挑战，该方法由一个引导至新类的框架、一个质心到样本相似度约束（CSS）和一个边界感知原型约束（BAP）组成。具体而言，建立引导至新类框架是为了在先前分布的引导下持续发现新类。随后，设计CSS来约束不同类别的质心到样本相似度之间的关系，从而增强新类之间特征的区分度。最后，提出BAP是为了在增量会话期间保持新类特征对其他类别原型位置的感知，并更好地使新类特征适应共享特征空间。在三个基准数据集上的实验结果证明了我们方法的优越性，尤其是在具有更多增量会话的更具挑战性的协议中。
引用
@article{arxiv.2405.06389,
title = {Continual Novel Class Discovery via Feature Enhancement and Adaptation},
author = {Yifan Yu and Shaokun Wang and Yuhang He and Junzhe Chen and Yihong Gong},
journal= {arXiv preprint arXiv:2405.06389},
year = {2024}
}