基于解耦原型网络的广义类别发现
计算与语言
2023-03-16 v2 人工智能
计算机视觉与模式识别
摘要
广义类别发现（Generalized Category Discovery, GCD）旨在基于仅包含已知类别标签的另一数据集，从一组未标注数据中识别已知类别与新类别。现有方法未考虑已知类别与新类别之间的差异，以耦合方式对其进行学习，这可能会损害模型的泛化能力与判别能力。此外，耦合训练方式阻碍了模型将特定类别的知识从标注数据显式迁移至未标注数据，可能导致高层语义信息丢失并损害模型性能。为缓解上述局限性，我们提出了一种名为解耦原型网络（Decoupled Prototypical Network, DPN）的新模型。通过为类别原型构建二分图匹配问题，DPN 不仅能解耦已知类别与新类别以有效实现不同的训练目标，还能对齐标注数据与未标注数据中的已知类别，从而显式迁移特定类别的知识并捕获高层语义。此外，通过我们提出的语义感知原型学习（Semantic-aware Prototypical Learning, SPL），DPN 能为已知类别与新类别学习更具判别力的特征。除了捕获有意义的语义信息外，SPL 还能通过语义加权软分配缓解硬伪标签的噪声。大量实验表明，DPN 在多个基准数据集的所有评估指标上均大幅优于 SOTA 模型。代码与数据可在 https://github.com/Lackel/DPN 获取。
引用
@article{arxiv.2211.15115,
title = {Generalized Category Discovery with Decoupled Prototypical Network},
author = {Wenbin An and Feng Tian and Qinghua Zheng and Wei Ding and QianYing Wang and Ping Chen},
journal= {arXiv preprint arXiv:2211.15115},
year = {2023}
}
备注
Accepted by AAAI 2023