利用邻居信息进行不同监督水平下的图像分类
计算机视觉与模式识别
2025-03-19 v1 机器学习
摘要
我们提出了一种灵活的方法，以弥合半监督与无监督图像识别之间的差距，该方法在广义类别发现（GCD）和图像聚类两种任务上均表现出色。尽管这两项任务的动机存在重叠，但方法本身仅限于单一任务——GCD 方法依赖于数据的标注部分，而深度图像聚类方法没有内置的有效利用标签的方式。我们通过一种创新方法将两种 regime 连接起来，即利用邻居信息进行分类（UNIC），适用于无监督（聚类）和半监督（GCD）设置。最先进的聚类方法已经严重依赖最近邻。我们通过两部分大幅改进其结果：首先采用采样和清洗策略，识别准确的阳性邻居和阴性邻居；其次通过对两种类型的邻居进行采样来计算聚类损失，从而微调骨干网络。然后我们通过利用标注图像作为真实邻居，将此流程适配到 GCD。我们的方法在聚类（ImageNet-100 +3%、ImageNet-200 +3%）和 GCD（ImageNet-100 +0.8%、CUB +5%、SCars +2%、Aircraft +4%）上取得了最先进的结果。
引用
@article{arxiv.2503.14500,
title = {Utilization of Neighbor Information for Image Classification with Different Levels of Supervision},
author = {Gihan Jayatilaka and Abhinav Shrivastava and Matthew Gwilliam},
journal= {arXiv preprint arXiv:2503.14500},
year = {2025}
}
备注
18 pages, 16 figures, 7 tables