分布不可知广义类别发现
计算机视觉与模式识别
2024-02-21 v5
摘要
数据不平衡与开放分布是真实视觉世界的两个内在特征。尽管在分别应对这两类挑战上已取得令人鼓舞的进展,但致力于将其结合以面向真实场景的工作甚少。先前若干工作聚焦于测试阶段对闭集样本分类与开放集样本检测,然而像人类一样对未知主体进行分类仍十分必要。本文中,我们正式定义一项更实际的任务为分布不可知广义类别发现(DA-GCD):在长尾开放世界设定下对闭集与开放集类别均生成细粒度预测。为应对这一挑战性问题,我们提出一种自平衡协同建议对比框架(BaCon),其由对比学习分支与伪标签分支组成,二者协作提供交互式监督以解决DA-GCD任务。特别地,对比学习分支提供可靠的分布式估计以正则化伪标签分支的预测,而后者又通过自平衡知识迁移与所提出的新型对比损失引导对比学习。我们将BaCon与来自两个密切相关领域——不平衡半监督学习与广义类别发现——的SOTA方法进行比较。BaCon的有效性通过对所有基线方法的更优性能及跨多个数据集的详尽分析得以证实。我们的代码已公开可用。
引用
@article{arxiv.2310.01376,
title = {Towards Distribution-Agnostic Generalized Category Discovery},
author = {Jianhong Bai and Zuozhu Liu and Hualiang Wang and Ruizhe Chen and Lianrui Mu and Xiaomeng Li and Joey Tianyi Zhou and Yang Feng and Jian Wu and Haoji Hu},
journal= {arXiv preprint arXiv:2310.01376},
year = {2024}
}
备注
Accepted at NeurIPS 2023