基于互惠学习与逐类分布正则化的广义类别发现
计算机视觉与模式识别
2025-06-04 v1
摘要
广义类别发现旨在利用来自有标签样本的基础知识来识别无标签样本，其中无标签集包含基础类和新颖类。由于聚类方法在推理时耗时较长，基于参数化的方法变得更为流行。然而，近期基于参数化的方法由于不可靠的自监督而受到基础类判别性能较差的困扰。为了解决这个问题，我们提出了一种互惠学习框架，引入了一个专用于基础分类的辅助分支。在训练过程中，主分支将伪基础样本筛选至辅助分支。作为回应，辅助分支为主分支提供更可靠的软标签，从而形成良性循环。此外，我们引入了逐类分布正则化以缓解对基础类的学习偏差。CDR 本质上提高了无标签数据的预测置信度，并提升了新颖类的性能。结合这两个组件，我们提出的方法 RLCD 在所有类别上均取得了卓越的性能，且仅带来可忽略的额外计算量。在七个 GCD 数据集上的全面实验验证了其优越性。我们的代码可在 https://github.com/APORduo/RLCD 获取。
引用
@article{arxiv.2506.02334,
title = {Generalized Category Discovery via Reciprocal Learning and Class-Wise Distribution Regularization},
author = {Duo Liu and Zhiquan Tan and Linglan Zhao and Zhongqiang Zhang and Xiangzhong Fang and Weiran Huang},
journal= {arXiv preprint arXiv:2506.02334},
year = {2025}
}
备注
ICML2025 Poster