在新类发现中建模类间与类内约束
计算机视觉与模式识别
2023-03-24 v3
摘要
新类发现（NCD）旨在学习一个模型，将来自类别不相交的带标签数据集的通用知识迁移到另一个无标签数据集，并发现其中的新类（簇）。许多方法以及精细的训练流水线和恰当的目标函数已被提出，并显著提升了 NCD 任务上的性能。尽管如此，我们发现现有方法未充分利用 NCD 设置的本质。为此，本文中我们提出基于对称 Kullback-Leibler 散度（sKLD）在 NCD 中建模类间与类内约束。具体而言，我们提出类间 sKLD 约束以有效利用带标签与无标签类之间的不相交关系，在嵌入空间中强制不同类的可分离性。此外，我们提出类内 sKLD 约束以显式约束样本与其增广之间的类内关系，同时确保训练过程的稳定性。我们在流行的 CIFAR10、CIFAR100 和 ImageNet 基准上进行了大量实验，并成功证明我们的方法能够建立新的最优性能（state of the art），并取得显著性能提升，例如，在任务感知/任务不可知评估协议下，于 CIFAR100-50 数据集划分上相较先前最优方法获得 3.5%/3.7% 的聚类准确率提升。代码见 https://github.com/FanZhichen/NCD-IIC。
引用
@article{arxiv.2210.03591,
title = {Modeling Inter-Class and Intra-Class Constraints in Novel Class Discovery},
author = {Wenbin Li and Zhichen Fan and Jing Huo and Yang Gao},
journal= {arXiv preprint arXiv:2210.03591},
year = {2023}
}
备注
Accepted to CVPR 2023