論文の概要: Generalized Category Discovery with Clustering Assignment Consistency
- arxiv url: http://arxiv.org/abs/2310.19210v1
- Date: Mon, 30 Oct 2023 00:32:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 13:48:29.707947
- Title: Generalized Category Discovery with Clustering Assignment Consistency
- Title（参考訳）: クラスタリング割り当て一貫性を持つ一般化カテゴリー発見
- Authors: Xiangli Yang, Xinglin Pan, Irwin King, Zenglin Xu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 56.92546133591019
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generalized category discovery (GCD) is a recently proposed open-world task.
Given a set of images consisting of labeled and unlabeled instances, the goal
of GCD is to automatically cluster the unlabeled samples using information
transferred from the labeled dataset. The unlabeled dataset comprises both
known and novel classes. The main challenge is that unlabeled novel class
samples and unlabeled known class samples are mixed together in the unlabeled
dataset. To address the GCD without knowing the class number of unlabeled
dataset, we propose a co-training-based framework that encourages clustering
consistency. Specifically, we first introduce weak and strong augmentation
transformations to generate two sufficiently different views for the same
sample. Then, based on the co-training assumption, we propose a consistency
representation learning strategy, which encourages consistency between
feature-prototype similarity and clustering assignment. Finally, we use the
discriminative embeddings learned from the semi-supervised representation
learning process to construct an original sparse network and use a community
detection method to obtain the clustering results and the number of categories
simultaneously. Extensive experiments show that our method achieves
state-of-the-art performance on three generic benchmarks and three fine-grained
visual recognition datasets. Especially in the ImageNet-100 data set, our
method significantly exceeds the best baseline by 15.5\% and 7.0\% on the
\texttt{Novel} and \texttt{All} classes, respectively.
- Abstract（参考訳）: 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。
ラベル付きインスタンスとラベルなしインスタンスからなる一連のイメージが与えられた場合、gcdの目標はラベル付きデータセットから転送される情報を使用してラベルなしのサンプルを自動的にクラスタ化することである。
ラベルのないデータセットは、既知のクラスと新しいクラスの両方からなる。
主な課題は、未ラベルの新規クラスサンプルと未ラベルの既知のクラスサンプルが未ラベルのデータセットで混合されることである。
ラベルなしデータセットのクラス番号を知らずにgcdに対処するために,クラスタ一貫性を促進するコトレーニングベースのフレームワークを提案する。
具体的には,同じサンプルに対して十分に異なる2つのビューを生成するために,まず弱かつ強い拡張変換を導入する。
次に,協調学習を前提として,特徴型類似性とクラスタリング割り当ての一貫性を促進する一貫性表現学習戦略を提案する。
最後に、半教師付き表現学習プロセスから学習した識別的埋め込みを用いて、元のスパースネットワークを構築し、コミュニティ検出手法を用いてクラスタリング結果とカテゴリ数とを同時に取得する。
広汎な実験により,本手法は3つの総合的なベンチマークと3つのきめ細かな視覚認識データセットに対して,最先端の性能を実現する。
特に、ImageNet-100データセットでは、この手法は、それぞれ \texttt{Novel} クラスと \texttt{All} クラスで 15.5\% と 7.0\% をはるかに上回る。
関連論文リスト
- Learning Semi-supervised Gaussian Mixture Models for Generalized
Category Discovery [36.01459228175808]
本稿では,表現学習とクラス数推定を交互に行うEMライクなフレームワークを提案する。
汎用画像分類データセットと細粒度オブジェクト認識データセットの双方について,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2023-05-10T13:47:38Z) - 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) - XCon: Learning with Experts for Fine-grained Category Discovery [4.787507865427207]
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。
論文 参考訳（メタデータ） (2022-08-03T08:03:12Z) - 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) - Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。
これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
論文 参考訳（メタデータ） (2021-06-20T17:34:55Z) - You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。
分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。
代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文 参考訳（メタデータ） (2021-06-03T14:59:59Z) - 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。