在线连续通用类别发现
计算机视觉与模式识别
2024-08-27 v1
摘要
随着深度神经网络在计算机视觉领域的发展，人工智能（AI）在实际应用中得到广泛应用。然而，AI 在模仿人类高级能力方面（如新类别发现）仍存在局限，难以用于实际场景。虽然一些利用离线持续学习的方法已被提出用于新类别发现，但忽略了现实环境中数据流的连续性。在本工作中，我们引入了在线连续通用类别发现（OCGCD），该方法考虑数据流的动态特性，即数据可以实时创建和删除。此外，我们提出了一种新方法，DEAN（Discovery via Energy guidance and feature AugmentatioN），通过能量引导发现并通过能量基对比损失来促进判别性学习。进一步地，DEAN 通过基于方差的特征增强有效地对无标签数据进行伪标签。实验结果表明，我们提出的DEAN在提出的OCGCD场景中取得了出色的性能。
引用
@article{arxiv.2408.13492,
title = {Online Continuous Generalized Category Discovery},
author = {Keon-Hee Park and Hakyung Lee and Kyungwoo Song and Gyeong-Moon Park},
journal= {arXiv preprint arXiv:2408.13492},
year = {2024}
}