SelEx: 细粒度广义类别发现中的自专长

本文研究广义类别发现，旨在同时揭示新类别并准确分类已知类别。传统方法严重依赖自监督和对比学习，在区分细粒度类别时往往表现不足。为此，我们引入一个名为“自专长”的新概念，它增强了模型识别细微差异和发现未知类别的能力。我们的方法结合了无监督和有监督的自专长策略，以优化模型的辨别力和泛化能力。首先，使用层次化伪标签提供“软监督”，以提高自专长的有效性。我们的有监督技术不同于传统方法，它利用更抽象的正面和负面样本，有助于形成能够泛化到新类别的聚类。同时，我们的无监督策略通过将类别内样本视为“困难”负样本，鼓励模型锐化其类别区分。在理论见解的支持下，我们的实证结果表明，在多个细粒度数据集上，我们的方法在广义类别发现中优于现有最先进技术。我们的代码可在 https://github.com/SarahRastegar/SelEx 获取。