OpenGCD：以广义类别发现辅助开放世界识别
计算机视觉与模式识别
2023-08-15 v1
摘要
一个理想的开放世界识别（OWR）系统需要执行三项任务：（1）开放集识别（OSR），即在线分类已知类（训练时见过的类）并拒绝未知类（未见/新类）；（2）将这些未知类分组并标注为新的已知类；（3）增量学习（IL），即持续学习这些新类并保留旧类的记忆。理想情况下，所有这些步骤都应是自动化的。然而，现有方法大多假设第二项任务完全由人工完成。为弥补这一差距，我们提出 OpenGCD，其结合三个关键思想依次解决上述问题：（a）基于分类器预测的不确定性，对样本的来源（未知或特定已知）进行评分；（b）我们首次在 OWR 中引入广义类别发现（GCD）技术，以辅助人工对未标注数据进行分组；（c）为顺利执行 IL 与 GCD，我们以多样性为目标，为每一类保留数量相等的有信息量样本。此外，我们提出一种用于 GCD 的新性能评估指标，称为调和聚类准确率（harmonic clustering accuracy）。在两个标准分类基准和一个具有挑战性的数据集上的实验表明，OpenGCD 不仅具有优异的兼容性，还大幅优于其他基线方法。代码：https://github.com/Fulin-Gao/OpenGCD。
引用
@article{arxiv.2308.06926,
title = {OpenGCD: Assisting Open World Recognition with Generalized Category Discovery},
author = {Fulin Gao and Weimin Zhong and Zhixing Cao and Xin Peng and Zhi Li},
journal= {arXiv preprint arXiv:2308.06926},
year = {2023}
}