基于邻域常见性演化网络的连续广义类别发现
计算机视觉与模式识别
2024-12-10 v1 人工智能
摘要
连续广义类别发现（C-GCD）旨在从无标签图像集中持续发现新类别，同时保持对旧类别的性能。本文提出一种 novel 框架，称为 Neighborhood Commonality-aware Evolution Network（NCENet），从表示学习的角度来解决该任务。具体而言，设计了 Neighborhood Commonality-aware Representation Learning（NCRL），利用来自邻域的局部常见性来指导实例之间表示差异的学习。为维持对旧类别的表示能力，设计了 Bi-level Contrastive Knowledge Distillation（BCKD）模块，利用对比学习来感知学习过程中的知识并进行知识蒸馏。在 CIFAR10、CIFAR100 和 Tiny-ImageNet 上的广泛实验表明，NCENet 的性能优于以往的最新方法。特别地，在 CIFAR100 的最后一个增量学习 session 中，NCENet 在 old 类别上的聚类准确率比第二名方法高出 3.09%，在 new 类别上的准确率提升 6.32%。我们的代码将在 \href{https://github.com/xjtuYW/NCENet.git}{https://github.com/xjtuYW/NCENet.git} 上公开。
引用
@article{arxiv.2412.05573,
title = {Neighborhood Commonality-aware Evolution Network for Continuous Generalized Category Discovery},
author = {Ye Wang and Yaxiong Wang and Guoshuai Zhao and Xueming Qian},
journal= {arXiv preprint arXiv:2412.05573},
year = {2024}
}
备注
12 pages, 7 Figures