NEV-NCD：基于负学习、熵与方差正则化的新动作类别发现
计算机视觉与模式识别
2023-04-18 v1
摘要
新类别发现(NCD)有助于从部分标注的标签空间中学习，并使深度学习(DL)模型能够通过基于标注数据概念识别和区分新类实例而在开放世界设置中运行。NCD的主要假设之一是新标签空间完全不相交且可等分，但实践中大多数NCD方法很少实现这一点。为了更好地与该假设对齐，我们提出了一种新颖的基于单阶段联合优化的NCD方法——负学习、熵与方差正则化NCD(NEV-NCD)。我们展示了NEV-NCD在视频动作识别(VAR)的先前未探索的NCD应用中的有效性，使用了公开UCF101数据集和一个精心构建的室内部分动作空间标注多视角视频数据集。我们通过改变最终联合损失及其相关超参数的组成进行了彻底的消融研究。在UCF101和多视角动作数据集的实验中，NEV-NCD在标注数据的测试实例上达到约83%的分类准确率。NEV-NCD在未标注数据上达到约70%的聚类准确率，在两个数据集上均优于朴素基线(约40%)和最先进的基于伪标注的方法(约3.5%)。此外，我们提出在多视角数据集中引入可选的视角不变特征学习，以从新视角识别新类别。我们额外的视角不变约束将新视角下已知和未知类别的判别准确率提高了约10%。
引用
@article{arxiv.2304.07354,
title = {NEV-NCD: Negative Learning, Entropy, and Variance regularization based novel action categories discovery},
author = {Zahid Hasan and Masud Ahmed and Abu Zaher Md Faridee and Sanjay Purushotham and Heesung Kwon and Hyungtae Lee and Nirmalya Roy},
journal= {arXiv preprint arXiv:2304.07354},
year = {2023}
}