基于知识蒸馏的类别间关系学习——ReLKD用于通用类别发现
计算机视觉与模式识别
2025-12-09 v1
摘要
通用类别发现(GCD)面临的挑战在于，仅凭已知类别的标签，对包含已知类和新类的无标签数据进行分类。以往研究常将每个类别独立处理，忽略了类别间固有的相互关系。在现实场景中，直接获取这些类别间关系 presents a significant challenge。为此，我们提出ReLKD，一个能有效利用隐式类别间关系的端到端框架，以此知识提升新类别的分类性能。ReLKD包含三个关键模块：面向目标细粒度的模块用于学习判别性表征，面向粗糙细粒度的模块用于捕获层次化类别关系，以及蒸馏模块用于将粗糙细粒度模块的知识传递以细化目标细粒度模块的表征学习。在四个数据集上进行的大量实验表明，ReLKD的有效性尤其在标注数据有限的情形下尤为突出。
引用
@article{arxiv.2512.07229,
title = {ReLKD: Inter-Class Relation Learning with Knowledge Distillation for Generalized Category Discovery},
author = {Fang Zhou and Zhiqiang Chen and Martin Pavlovski and Yizhong Zhang},
journal= {arXiv preprint arXiv:2512.07229},
year = {2025}
}
备注
Accepted to the Main Track of the 28th European Conference on Artificial Intelligence (ECAI 2025). To appear in the proceedings published by IOS Press (DOI: 10.3233/FAIA413)