互信息引导的知识迁移用于新类发现
计算机视觉与模式识别
2022-11-09 v2
摘要
我们研究新类发现问题,旨在基于已见类的标注数据在未标注数据中发现新类。主要挑战在于将已见类所含知识迁移至未见类。以往方法多通过共享表示空间或联合标签空间来迁移知识。然而,它们往往忽略已见与未见类别间的类关系,因而所学表示对未见类聚类效果较差。本文提出一种在已见与未见类间迁移语义知识的原则性通用方法。我们的见解是利用互信息在受限标签空间中度量已见类与未见类间的关系,并最大化互信息以促进语义知识迁移。为验证方法的有效性与泛化性,我们在新类发现及广义新类发现设定下进行了充分实验。结果表明,所提方法在多个基准上显著优于先前 SOTA。
引用
@article{arxiv.2206.12063,
title = {Mutual Information-guided Knowledge Transfer for Novel Class Discovery},
author = {Chuyu Zhang and Chuanyang Hu and Ruijie Xu and Zhitong Gao and Qian He and Xuming He},
journal= {arXiv preprint arXiv:2206.12063},
year = {2022}
}
备注
The derivation of Mutual Information in the manuscript is wrong