面向广义类别发现的对比均值漂移学习
计算机视觉与模式识别
2024-04-16 v1
摘要
我们致力于解决广义类别发现（GCD）问题，该问题旨在对部分标注的图像集合进行划分；集合中只有一小部分被标注，且目标类别的总数未知。为了解决这一广义图像聚类问题，我们重新审视了均值漂移算法，即一种经典且强大的众数寻找技术，并将其结合到对比学习框架中。所提出的方法被称为对比均值漂移（CMS）学习，它通过均值漂移和对比更新的迭代过程，训练图像编码器以产生具有更好聚类特性的表示。实验表明，无论是在已知还是未知聚类总数的情况下，我们的方法无需复杂技巧，便能在六个公开的 GCD 基准上取得 SOTA 性能。
引用
@article{arxiv.2404.09451,
title = {Contrastive Mean-Shift Learning for Generalized Category Discovery},
author = {Sua Choi and Dahyun Kang and Minsu Cho},
journal= {arXiv preprint arXiv:2404.09451},
year = {2024}
}
备注
Accepted at CVPR 2024