解决广义类别发现中的灾难性遗忘问题

广义类别发现（GCD）旨在在无标签数据集中识别已知类别与新类别的混合，从而提供更贴近实际图像识别场景的设置。本质上，GCD需要彻底记住现有模式才能识别新类别。最近的领先方法SimGCD通过去偏学习将已知类别数据的知识传递到新类别的学习中。然而，某些模式在适应过程中被灾难性遗忘，从而导致新类别分类性能差。为解决此问题，我们提出了一种新颖的学习方法LegoGCD，无缝集成于先前方法，旨在在保持先前已知类别性能的同时，增强新类别的判别力。具体而言，我们设计了两种技术类型，称为局部熵正则化（LER）和双视图KL散度约束（DKL）。LER优化无标签数据中潜在已知类别样本的分布，从而在学习新类别的同时确保已知类别知识的保存。而DKL引入KL散度，以鼓励模型对同一图像的两个视角样本产生相似的预测分布。如此一来，它成功避免了不匹配的预测，同时生成更可靠的潜在已知类别样本。大量实验验证，所提出的LegoGCD在所有数据集上有效解决了已知类别遗忘问题，其中在CUB数据集上分别为已知类别和新类别带来了7.74%和2.51%的准确率提升。我们的代码可在 https://github.com/Cliffia123/LegoGCD 查看。