ImbaGCD：不平衡广义类别发现
计算机视觉与模式识别
2024-01-12 v1 机器学习
摘要
广义类别发现（GCD）旨在利用包含已知类别的标记集的先验知识，推断无标记数据集中的已知和未知类别。现有研究隐式或显式地假设，在无标记数据中，每个类别（无论是已知还是未知）的出现频率大致相同。然而，根据视觉类别的长尾特性，在自然界中，我们遇到已知/常见类别的可能性高于遇到未知/罕见类别的可能性。因此，我们提出了一个具有挑战性且实际的问题：不平衡广义类别发现（Imbalanced Generalized Category Discovery, ImbaGCD），其中无标记数据的分布是不平衡的，已知类别的出现频率高于未知类别。为解决这些问题，我们提出了 ImbaGCD，这是一种基于最优传输的期望最大化新框架，通过对齐边缘类别先验分布来完成广义类别发现。ImbaGCD 还包含一种在 GCD 设置下估计不平衡类别先验分布的系统机制。我们的综合实验表明，ImbaGCD 优于以往的 SOTA GCD 方法，在 CIFAR-100 上提升了约 2-4%，在 ImageNet-100 上提升了 15-19%，表明其在解决不平衡 GCD 问题上的卓越有效性。
引用
@article{arxiv.2401.05353,
title = {ImbaGCD: Imbalanced Generalized Category Discovery},
author = {Ziyun Li and Ben Dai and Furkan Simsek and Christoph Meinel and Haojin Yang},
journal= {arXiv preprint arXiv:2401.05353},
year = {2024}
}
备注
CVPR 2023 Computer Vision in the Wild Workshop \textbf{Spotlight} paper