冻结与聚类：一种无排练持续类别发现的简单基线方法
计算机视觉与模式识别
2025-03-13 v1 人工智能
摘要
本文研究无排练持续类别发现问题，该问题侧重于利用已标注数据的知识来持续识别新类别。现有方法通常从头开始训练，忽视了基础模型的潜力，且往往依赖数据存储来防止遗忘。此外，由于 RF-CCD 同时涵盖持续学习与新类别发现，先前的方法难以有效整合这两个领域的先进技术，导致对比缺乏说服力，且未能揭示 RF-CCD 带来的独特挑战。为应对这些挑战，我们率先整合了这两个领域的进展，并进行了广泛的实验与分析。我们的发现表明，这种整合能够取得 SOTA 结果，并由此得出结论：在存在预训练模型的情况下，引入无标签数据不仅不会改善表示，甚至可能导致其退化。为缓解表示退化，我们提出了一种简单却极为有效的基线方法。该方法首先利用已知类别的先验知识来估计新类别的数量；然后使用专门在基类上训练的模型获取表示，通过 k-means 聚类生成高质量伪标签，并仅训练分类器层。我们在多个基准上进行广泛实验验证了我们的结论与方法，包括 Stanford Cars、CUB、iNat 和 Tiny-ImageNet 数据集。结果清楚地展示了我们的发现，证明了基线方法的有效性，并为 RF-CCD 未来的发展铺平了道路。
引用
@article{arxiv.2503.09106,
title = {Freeze and Cluster: A Simple Baseline for Rehearsal-Free Continual Category Discovery},
author = {Chuyu Zhang and Xueyang Yu and Peiyan Gu and Xuming He},
journal= {arXiv preprint arXiv:2503.09106},
year = {2025}
}
备注
Underreview