学习部分知识以促进细粒度通用类别发现
计算机视觉与模式识别
2025-03-24 v1 人工智能
机器学习
摘要
通用类别发现（GCD）旨在对包含已见类别和新类别的无标签数据进行分类。虽然现有方法在通用数据集上表现良好，但在细粒度场景中仍感到困难。我们将这种困难归因于其依赖于对全局图像特征的对比学习来自动捕获判别性线索，这些线索不足以捕捉区分细粒度类别所必需的细微局部差异。因此，本文提出了纳入部分知识以解决细粒度 GCD 的方法，其中包括两个关键挑战：由于新类的缺乏注释，简化了部分特征的提取；以及全局对比学习优先考虑整体特征不变性，无意中抑制了判别性局部部分模式。为解决这些挑战，我们提出了 PartGCD，包括 1）自适应部分分解，通过高斯混合模型自动提取类别特定的语义部分，以及 2）部分差异正则化，强制部分特征之间的显式分离，以放大细粒度局部部分差异。实验表明，在多个细粒度基准上实现了最新性能，同时在通用数据集上保持竞争力，验证了该方法的有效性和鲁棒性。
引用
@article{arxiv.2503.16782,
title = {Learning Part Knowledge to Facilitate Category Understanding for Fine-Grained Generalized Category Discovery},
author = {Enguang Wang and Zhimao Peng and Zhengyuan Xie and Haori Lu and Fei Yang and Xialei Liu},
journal= {arXiv preprint arXiv:2503.16782},
year = {2025}
}