解构化类别发现：多plex共识下的自解构
计算机视觉与模式识别
2025-08-15 v1 机器学习
摘要
人类感知系统在已知和新类别的对象上具有诱导和识别能力，这一能力远超当前机器学习框架。虽然广义类别发现（GCD）旨在弥合这一差距，但现有方法主要聚焦于优化目标函数。我们提出一种正交解决方案，灵感来自人类对新颖物体理解的认知过程：将物体分解为视觉原语并建立跨知识比较。我们提出ConGCD，通过高层语义重建建立原语导向的表征，借助解构将类内共享属性绑定在一起。模仿人类在视觉处理中对多样性偏好的实现方式，即不同个体利用支配性线索或情境线索，我们实现支配性共识单元和情境共识单元分别捕获判别性模式和固有分布不变性。共识调度器动态优化激活路径，最终通过多plex共识集成得出预测。广泛的在粗粒度和细粒度基准上的评估表明ConGCD作为一种共识感知范式的有效性。代码已在 github.com/lytang63/ConGCD 上提供。
引用
@article{arxiv.2508.10731,
title = {Dissecting Generalized Category Discovery: Multiplex Consensus under Self-Deconstruction},
author = {Luyao Tang and Kunze Huang and Chaoqi Chen and Yuxuan Yuan and Chenxin Li and Xiaotong Tu and Xinghao Ding and Yue Huang},
journal= {arXiv preprint arXiv:2508.10731},
year = {2025}
}
备注
Accepted by ICCV 2025 as *** Highlight ***!