面向广义类别发现的动态概念对比学习
计算机视觉与模式识别
2023-03-31 v1
摘要
广义类别发现（GCD）是近期提出的开放世界问题，旨在自动聚类部分标注数据。其主要挑战在于未标注数据不仅包含来自标注数据已知类别的实例，还包含来自新类别的实例。这导致传统新类别发现（NCD）方法因假设未标注数据仅来自新类别而在 GCD 上失效。GCD 的一种有效方法是应用自监督学习为未标注数据学习判别性表示。然而，这种方式在很大程度上忽略了同一概念（如类、超类、子类）下实例间的潜在关系，导致表示学习不佳。本文提出一种动态概念对比学习（DCCL）框架，通过交替估计潜在视觉概念与学习概念表示，有效提升聚类精度。此外，我们设计了一种动态概念生成与更新机制，能够确保概念学习的一致性，从而进一步促进 DCCL 的优化。大量实验表明，DCCL 在六个通用与细粒度视觉识别数据集上取得了新的最优性能，尤其在细粒度数据集上。例如，在 CUB-200 数据集的新类别上，我们的方法以 16.2% 显著超越最佳竞争对手。代码见 https://github.com/TPCD/DCCL。
引用
@article{arxiv.2303.17393,
title = {Dynamic Conceptional Contrastive Learning for Generalized Category Discovery},
author = {Nan Pu and Zhun Zhong and Nicu Sebe},
journal= {arXiv preprint arXiv:2303.17393},
year = {2023}
}
备注
10 pages, 5 figures, accepted by CVPR2023