锐度感知动态锚点选择用于广义类别发现
计算机视觉与模式识别
2025-12-16 v1
摘要
广义类别发现（GCD）是开放世界学习中一项重要且具有挑战性的任务。具体而言，给定已知类别的部分标注数据，GCD旨在对包含已知类别和未知类别的无标签数据进行聚类。当前基于参数化分类的GCD方法采用类DINO的伪标签策略，其中一个视图的锐化概率输出被用作对另一个视图的监督信息。然而，大规模预训练模型对某些特定视觉模式存在偏好，导致对无标签数据编码出虚假相关性，并生成噪声伪标签。为了解决这一问题，我们提出了一种新颖的方法，包含两个模块：损失锐度惩罚（LSP）和动态锚点选择（DAS）。LSP通过最小化模型的最坏情况损失锐度来增强模型参数对小扰动的鲁棒性，从而抑制平凡特征的编码，减少噪声样本的过拟合，并提高伪标签的质量。同时，DAS在模型训练过程中基于KNN密度和类别概率为未知类别选择代表性样本，并为它们分配困难伪标签，这不仅缓解了已知类别与未知类别之间的置信度差异，还使模型能够快速学习更准确的未知类别特征分布，从而进一步提高聚类精度。大量实验表明，所提出的方法能有效缓解伪标签的噪声，并在多个GCD基准上取得了最先进的结果。
引用
@article{arxiv.2512.12925,
title = {Sharpness-aware Dynamic Anchor Selection for Generalized Category Discovery},
author = {Zhimao Peng and Enguang Wang and Fei Yang and Xialei Liu and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:2512.12925},
year = {2025}
}
备注
Accepted by TMM2025