面向长尾识别的新颖类发现
计算机视觉与模式识别
2023-08-28 v3
摘要
尽管新颖类发现近期取得了重大进展,现有方法通常侧重于在类平衡基准上改进算法。然而,在真实世界的识别任务中,相应数据集的类别分布往往不平衡,导致这些方法的性能严重退化。本文中,我们考虑一种更贴近实际的新颖类发现设定,其中新颖类与已知类的分布均为长尾分布。这一新问题的主要挑战在于借助长尾的已知类来发现不平衡的新颖类。为应对该问题,我们提出一种基于类等角原型表示的自适应自标注策略。我们的方法通过求解一个松弛最优传输问题为新颖类推断高质量伪标签,并有效缓解了已知类与新奇类学习中的类别偏置。我们在CIFAR100、ImageNet100、Herbarium19和大规模iNaturalist18数据集上进行了充分实验,结果证明了本方法的优越性。我们的代码见https://github.com/kleinzcy/NCDLR。
引用
@article{arxiv.2308.02989,
title = {Novel Class Discovery for Long-tailed Recognition},
author = {Chuyu Zhang and Ruijie Xu and Xuming He},
journal= {arXiv preprint arXiv:2308.02989},
year = {2023}
}
备注
TMLR2023, Final version