面向细粒度通用类别发现的先验约束关联学习
计算机视觉与模式识别
2025-02-14 v1
摘要
本文聚焦通用类别发现（GCD），即在已知或未知类别的帮助下，对 unlabeled 数据进行聚类。与传统半监督学习相比，GCD更具挑战性，因为 unlabeled 数据可能来自 labeled 数据中未出现的新类别。当前SOTA方法通常通过自蒸馏辅助参数化分类器学习，但未充分利用跨实例相似性以发现类别特定语义。本文重拾关联方法范式，提出先验约束关联学习方法捕获数据内语义关系。具体而言，已知类别的 labeled 数据为 unlabeled 数据关联提供独特先验。不同于以往仅将先验作为前/后处理 refinement 的做法，我们将先验完全嵌入关联过程，约束其向可靠分组结果靠拢。估计的语义分组通过非参数原型对比增强表示学习。最终结合参数化与非参数化分类互补，构建模型在多个GCD基准上显著优于现有方法。
引用
@article{arxiv.2502.09501,
title = {Prior-Constrained Association Learning for Fine-Grained Generalized Category Discovery},
author = {Menglin Wang and Zhun Zhong and Xiaojin Gong},
journal= {arXiv preprint arXiv:2502.09501},
year = {2025}
}
备注
Accepted to AAAI 2025