XCon：基于专家对比学习的细粒度类别发现方法
计算机视觉与模式识别
2022-08-04 v1
摘要
本文研究广义类别发现（GCD）问题，即利用一组已见类别提供的信息对未标记图像进行聚类，其中未标记图像可能包含已见类别与未见类别。已见类别可视为类别的隐式准则，这使得该设定不同于聚类准则可能模糊的无监督聚类。我们主要关注在细粒度数据集上的类别发现问题，因为它是类别发现最直接的应用之一，即帮助专家利用已见类别所设定的隐式准则，在未标记数据集中发现新概念。现有的广义类别发现SOTA方法利用对比学习来学习表示，但较大的类间相似度与类内方差对这些方法构成了挑战，因为负样本可能包含与识别类别无关的信号，从而导致算法收敛到局部极小。我们提出了一种称为专家对比学习（XCon）的新方法，通过先使用k-means聚类将数据集划分为子数据集，再在每个子数据集上执行对比学习以学习细粒度判别特征，从而帮助模型从图像中挖掘有用信息。在细粒度数据集上的实验表明，相比此前的最佳方法性能有明显提升，证明了我们方法的有效性。
引用
@article{arxiv.2208.01898,
title = {XCon: Learning with Experts for Fine-grained Category Discovery},
author = {Yixin Fei and Zhongkai Zhao and Siwei Yang and Bingchen Zhao},
journal= {arXiv preprint arXiv:2208.01898},
year = {2022}
}