像人类一样学习：类比概念学习用于通用类别发现
计算机视觉与模式识别
2026-03-23 v1 人工智能
摘要
通用类别发现（GCD）旨在在无标签数据中发现新类别，同时保持对已知类别的识别，但现有的基于视觉的管线以及监督学习与发现之间的松耦合往往在细粒度、相似的类别之间产生脆弱的边界。我们引入类比文本概念生成器（ATCG），一个即插即用的模块，通过类比从标记知识中迁移到新观察中，为无标签样本形成文本概念。将这些类比文本概念与视觉特征融合后，发现过程转化为视觉-文本推理过程，从而将先验知识传递到新数据中并加强类别分离。ATCG 可附加到参数化和聚类样式的 GCD 管线中，不需要更改其整体设计。在六个基准数据集上，ATCG 在整体性能、已知类别性能和新类别性能方面均实现一致提升，尤其在细粒度数据上的提升最大。我们的代码已公开：https://github.com/zhou-9527/AnaLogical-GCD。
引用
@article{arxiv.2603.19918,
title = {Learning Like Humans: Analogical Concept Learning for Generalized Category Discovery},
author = {Jizhou Han and Chenhao Ding and Yuhang He and Qiang Wang and Shaokun Wang and SongLin Dong and Yihong Gong},
journal= {arXiv preprint arXiv:2603.19918},
year = {2026}
}
备注
Accept by CVPR 2026