DebGCD：用于通用类别发现的去偏学习与分布引导
计算机视觉与模式识别
2025-04-08 v1
摘要
本文针对通用类别发现 (Generalized Category Discovery, GCD) 问题展开研究。给定包含已标记和未标记图像的数据集，目标是对未标记子集中的所有图像进行分类，无论它们是否来自已知或未知类别。在 GCD 中，由于缺乏后者的真实标签，已知类别和未知类别之间存在固有的标签偏差。当前 GCD 方法利用通过自教导获得软标签训练的参数化分类器，未能解决该偏差问题。此外，这些方法对所有未标记样本一致对待，忽略了不同确定性水平的差异，导致学习次优。更重要的是，明确识别已知类别和未知类别之间的语义分布偏移——这一对有效 GCD 至关重要——被忽略了。在面向解决这些挑战的过程中，我们提出了 DebGCD，即面向 GCD 的去偏学习与分布引导框架。首先，DebGCD 在与 GCD 分类器相同特征空间中共训练一个辅助去偏分类器，逐步提升 GCD 特征。此外，我们在独立的特征空间中引入语义分布探测器，以隐式提升 GCD 的学习效果。此外，我们采用基于语义分布确定性的课程学习策略，以优化的节奏引导去偏学习。广泛的 GCD 基准评估表明，我们的框架在持续实现最先进性能，凸显了其优越性。项目页面：https://visual-ai.github.io/debgcd/。
引用
@article{arxiv.2504.04804,
title = {DebGCD: Debiased Learning with Distribution Guidance for Generalized Category Discovery},
author = {Yuanpei Liu and Kai Han},
journal= {arXiv preprint arXiv:2504.04804},
year = {2025}
}
备注
Accepted as a conference paper at ICLR 2025