超bolic 类别发现

广义类别发现 (GCD) 是一个引人注目的开放世界问题，已引起日益关注。给定包含标记和未标记图像的数据集，GCD 旨在对未标记子集中的所有图像进行分类，无论它们是否属于已知或未知类别。在 GCD 中，常见做法通常是在自监督预训练背板的末端应用球形投影算子，在欧几里得或球面空间中操作。然而，这两种空间都被证明不适用于编码具有层次结构的样本。在 contrast，hyperbolic space 相对于半径呈指数体积增长，天然擅长捕捉来自 seen 和 unseen 类别的层次结构。因此，我们提议在 hyperbolic space 中解决类别发现挑战。我们引入 HypCD，即针对学习层次感知表示和分类器的简单 HypCD 框架。HypCD 首先将背板网络的欧几里得嵌入空间转换为 hyperbolic space，以便通过考虑 hyperbolic distance 和样本之间的夹角来实现后续表示和分类学习。这在 GCD 中从 known 类向 unknown 类进行知识迁移方面尤其有帮助。我们在公开 GCD 基准测试上彻底评估了 HypCD，通过将其应用于各种基线和最新方法，始终实现显著改进。