面向长尾识别的广义类别发现
计算机视觉与模式识别
2024-08-27 v2 机器学习
摘要
广义类别发现（Generalized Class Discovery, GCD）在利用包含已知类别的标记集所衍生的洞察，从无标记数据集中辨别已知和未知类别方面发挥着关键作用。现有 GCD 方法的一个显著局限性在于，它们假设无标记数据中的类别出现是均匀分布的。与这一假设相反，自然环境中的视觉类别通常呈现长尾分布，即已知或普遍类别的出现频率高于其稀有对应类别。本研究致力于通过关注长尾广义类别发现（Long-tailed GCD）范式来弥合这一差距，该范式反映了现实世界无标记数据集的固有不平衡性。针对长尾 GCD 带来的独特挑战，我们提出了一种基于两种策略性正则化的稳健方法：(i) 一种重加权机制，用于增强代表性不足的尾部类别的显著性；(ii) 一种与预期类别分布对齐的类别先验约束。综合实验表明，我们提出的方法优于以往的 SOTA GCD 方法，在 ImageNet100 上提升了约 6-9%，并在 CIFAR100 上取得了具有竞争力的性能。
引用
@article{arxiv.2401.05352,
title = {Generalized Categories Discovery for Long-tailed Recognition},
author = {Ziyun Li and Christoph Meinel and Haojin Yang},
journal= {arXiv preprint arXiv:2401.05352},
year = {2024}
}
备注
ICCV 2023 out-of-distribution generalization in computer vision workshop paper