論文の概要: XCon: Learning with Experts for Fine-grained Category Discovery
- arxiv url: http://arxiv.org/abs/2208.01898v1
- Date: Wed, 3 Aug 2022 08:03:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-04 13:42:08.875498
- Title: XCon: Learning with Experts for Fine-grained Category Discovery
- Title(参考訳): XCon: きめ細かいカテゴリ発見のためのエキスパートによる学習
- Authors: Yixin Fei, Zhongkai Zhao, Siwei Yang, Bingchen Zhao
- Abstract要約: 本稿では,XCon(Expert-Contrastive Learning)と呼ばれる新しい手法を提案する。
細粒度データセットを用いた実験では,従来の最適手法よりも明らかに改善された性能を示し,本手法の有効性を示した。
- 参考スコア(独自算出の注目度): 4.787507865427207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of generalized category discovery (GCD) in this paper,
i.e. clustering the unlabeled images leveraging the information from a set of
seen classes, where the unlabeled images could contain both seen classes and
unseen classes. The seen classes can be seen as an implicit criterion of
classes, which makes this setting different from unsupervised clustering where
the cluster criteria may be ambiguous. We mainly concern the problem of
discovering categories within a fine-grained dataset since it is one of the
most direct applications of category discovery, i.e. helping experts discover
novel concepts within an unlabeled dataset using the implicit criterion set
forth by the seen classes. State-of-the-art methods for generalized category
discovery leverage contrastive learning to learn the representations, but the
large inter-class similarity and intra-class variance pose a challenge for the
methods because the negative examples may contain irrelevant cues for
recognizing a category so the algorithms may converge to a local-minima. We
present a novel method called Expert-Contrastive Learning (XCon) to help the
model to mine useful information from the images by first partitioning the
dataset into sub-datasets using k-means clustering and then performing
contrastive learning on each of the sub-datasets to learn fine-grained
discriminative features. Experiments on fine-grained datasets show a clear
improved performance over the previous best methods, indicating the
effectiveness of our method.
- Abstract(参考訳): 本稿では, 一般化されたカテゴリ発見(GCD)の問題, すなわち, 目に見えないクラスと見えないクラスの両方を含む未ラベル画像の集合からの情報を活用した, 未ラベル画像のクラスタリングに対処する。
見たクラスは暗黙のクラスの基準と見なすことができ、この設定はクラスタの基準が曖昧である可能性のある教師なしのクラスタリングとは異なる。
これはカテゴリ発見の最も直接的な応用の1つであり、参照されるクラスによって設定された暗黙の基準を用いて、ラベルのないデータセット内で専門家が新しい概念を発見するのを助けるためである。
一般化されたカテゴリ発見のための最先端の手法は、対比学習を利用して表現を学ぶが、負の例にはカテゴリを認識するための無関係な手がかりが含まれているため、アルゴリズムが局所極小に収束する可能性があるため、クラス間の大きな類似性とクラス内分散が課題となる。
まず,k-meansクラスタリングを用いてデータセットをサブデータセットに分割し,各サブデータセットでコントラスト学習を行い,詳細な識別特徴を学習することにより,画像から有用な情報をマイニングすることを支援する。
きめ細かいデータセットを実験した結果,これまでの最良の方法よりも明らかに性能が向上し,本手法の有効性が示された。
関連論文リスト
- Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。
クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。
提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2023-10-30T00:32:47Z) - CiPR: An Efficient Framework with Cross-instance Positive Relations for Generalized Category Discovery [21.380021266251426]
一般化圏発見(GCD)は、部分的にラベル付けされたデータセットを自動的にクラスタリングするオープンワールドの問題を考える。
本稿では,非競合データに対する未知のカテゴリ数を用いて,GCD問題に対処する。
我々はCiPRというフレームワークを提案し、クロスインスタンスポジティヴリレーションを利用して表現をブートストラップする。
論文 参考訳(メタデータ) (2023-04-14T05:25:52Z) - Dynamic Conceptional Contrastive Learning for Generalized Category
Discovery [76.82327473338734]
Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。
ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。
GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。
本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-30T14:04:39Z) - Generalized Category Discovery [148.32255950504182]
本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。
ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。
まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。
次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
論文 参考訳(メタデータ) (2022-01-07T18:58:35Z) - AutoNovel: Automatically Discovering and Learning Novel Visual
Categories [138.80332861066287]
本稿では,他のクラスをラベル付けしたイメージコレクションにおける新しいクラス発見問題に対処するため,AutoNovelと呼ばれる新しいアプローチを提案する。
我々はAutoNovelを標準分類ベンチマークで評価し、新しいカテゴリー発見の手法をかなり上回っている。
論文 参考訳(メタデータ) (2021-06-29T11:12:16Z) - Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。
特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。
一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文 参考訳(メタデータ) (2021-04-03T15:32:49Z) - Automatically Discovering and Learning New Visual Categories with
Ranking Statistics [145.89790963544314]
我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。
汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。
我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
論文 参考訳(メタデータ) (2020-02-13T18:53:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。