基于代理锚点的无监督连续广义类别发现学习
计算机视觉与模式识别
2023-11-03 v2 人工智能
摘要
深度学习的最新进展显著提升了各类计算机视觉应用的性能。然而，在增量学习场景中 discovering 新类别仍是一个具有挑战性的问题，因为缺乏关于新类别数量与性质的先验知识。现有的新类别发现方法受限于其对标注数据集以及关于新类别数量和批次中新颖样本比例的先验知识的依赖。为克服这些局限并更准确地反映真实世界场景，本文提出一种新颖的无监督类增量学习方法，用于在无需先验知识的未标注集上发现新类别。所提方法在标注集上微调特征提取器与代理锚点，随后将样本划分为旧类别与新类别，并在未标注数据集上聚类。此外，基于代理锚点的 exemplar 生成具有代表性的类别向量以缓解灾难性遗忘。实验结果表明，在真实世界场景下的细粒度数据集上，我们所提方法优于最先进的（SOTA）方法。
引用
@article{arxiv.2307.10943,
title = {Proxy Anchor-based Unsupervised Learning for Continuous Generalized Category Discovery},
author = {Hyungmin Kim and Sungho Suh and Daehwan Kim and Daun Jeong and Hansang Cho and Junmo Kim},
journal= {arXiv preprint arXiv:2307.10943},
year = {2023}
}
备注
Accepted to ICCV 2023