用于广义类别发现的记忆一致性引导分治学习
计算机视觉与模式识别
2024-02-02 v2
摘要
广义类别发现旨在解决一种更现实且更具挑战性的半监督学习设定，其中仅部分类别标签被分配给特定的训练样本。以往的方法通常对所有样本采用简单的对比学习或无监督聚类方案。然而，它们通常忽略了正在训练模型的历史预测中固有的关键信息。具体而言，我们从经验上揭示了大量显著的未标记样本产生了与其真实类别相对应的一致历史预测。基于这一观察，我们提出了一种记忆一致性引导的分治学习框架。在该框架中，我们引入了两个记忆库来记录未标记数据的历史预测，并利用它们根据预测一致性来衡量每个样本的可信度。在可信度的引导下，我们设计了一种分治学习策略，以充分利用未标记数据的判别信息，同时减轻噪声标签的负面影响。在多个基准上的大量实验结果证明了我们方法的通用性和优越性，我们的方法在通用图像识别和具有挑战性的语义偏移设定下的已见和未见类别上均大幅优于现有最先进模型（即在 CUB 上提升 +8.4%，在 Stanford Cars 上提升 +8.1%）。
引用
@article{arxiv.2401.13325,
title = {Memory Consistency Guided Divide-and-Conquer Learning for Generalized Category Discovery},
author = {Yuanpeng Tu and Zhun Zhong and Yuxi Li and Hengshuang Zhao},
journal= {arXiv preprint arXiv:2401.13325},
year = {2024}
}