实例分割中的广义类别发现

本文针对实例分割中的广义类别发现（GCD）任务。该任务的目标是在给定有标签和无标签数据的情况下，发现新类别并获得一个能够分割已知和新类别实例的模型。由于现实世界中包含众多具有长尾分布的对象，每个类别的实例分布本质上是不平衡的。为了解决不平衡分布问题，我们提出了一种实例级温度分配（ITA）方法用于对比学习，以及类别级可靠性准则用于伪标签。ITA方法放松了对属于头部类别样本的实例判别，以增强GCD。可靠性准则旨在避免在使用GCD的伪标签训练实例分割网络时排除大部分尾部类别的伪标签。此外，我们提出动态调整准则，在早期阶段利用多样化样本，而在后期阶段仅依赖可靠的伪标签。我们还引入了一个高效的软注意力模块，用于为GCD编码对象特定的表示。最后，我们在两个设置上评估了所提出的方法：COCO_{half}+LVIS和LVIS+Visual Genome。实验结果表明，所提出的方法优于之前的最先进方法。