論文の概要: Continual Novel Class Discovery via Feature Enhancement and Adaptation

• arxiv url: http://arxiv.org/abs/2405.06389v1
• Date: Fri, 10 May 2024 10:52:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-13 15:58:09.073923
• Title: Continual Novel Class Discovery via Feature Enhancement and Adaptation
• Title（参考訳）: 機能の強化と適応による継続的な新しいクラス発見
• Authors: Yifan Yu, Shaokun Wang, Yuhang He, Junzhe Chen, Yihong Gong,
• Abstract要約: CNCD(Continuous Novel Class Discovery)のための特徴強調適応手法を提案する。 このガイド・ツー・ノーベル・フレームワークは、事前分布の指導の下で、新しいクラスを継続的に発見するために確立されている。 centroid-to-samples similarity constraint (CSS)は、異なるクラスのCentroid-to-samples similarityの関係を制限するように設計されている。 境界対応型プロトタイプ制約(BAP)は,他のクラスプロトタイプの位置を意識した新しいクラス機能を維持するために提案されている。
• 参考スコア（独自算出の注目度）: 20.669216392440145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual Novel Class Discovery (CNCD) aims to continually discover novel classes without labels while maintaining the recognition capability for previously learned classes. The main challenges faced by CNCD include the feature-discrepancy problem, the inter-session confusion problem, etc. In this paper, we propose a novel Feature Enhancement and Adaptation method for the CNCD to tackle the above challenges, which consists of a guide-to-novel framework, a centroid-to-samples similarity constraint (CSS), and a boundary-aware prototype constraint (BAP). More specifically, the guide-to-novel framework is established to continually discover novel classes under the guidance of prior distribution. Afterward, the CSS is designed to constrain the relationship between centroid-to-samples similarities of different classes, thereby enhancing the distinctiveness of features among novel classes. Finally, the BAP is proposed to keep novel class features aware of the positions of other class prototypes during incremental sessions, and better adapt novel class features to the shared feature space. Experimental results on three benchmark datasets demonstrate the superiority of our method, especially in more challenging protocols with more incremental sessions.
• Abstract（参考訳）: CNCD(Continuous Novel Class Discovery)は,学習済みのクラスに対する認識能力を維持しつつ,ラベルのない新しいクラスを継続的に発見することを目的としている。 CNCDが直面している主な課題は、特徴差問題、セッション間混乱問題などである。 本稿では,CNCDにおける特徴強調適応手法を提案する。この手法は,ガイド・ツー・ノーベル・フレームワーク,セントロイド・トゥ・サンプレス類似性制約(CSS),境界対応プロトタイプ制約(BAP)から構成される。 より具体的には、ガイド・ツー・ノーベル・フレームワークは、事前配布の指導の下で、新しいクラスを継続的に発見するために確立されている。 その後、CSSは、異なるクラスのCentroid-to-Samples類似性の関係を制限し、新しいクラスの特徴の識別性を高めるように設計されている。 最後に、BAPは、インクリメンタルセッション中に他のクラスプロトタイプの位置を意識した新しいクラス機能と、共有機能空間に新しいクラス機能を適用することを提案する。 3つのベンチマークデータセットの実験結果は、特によりインクリメンタルなセッションを持つより困難なプロトコルにおいて、我々の手法の優位性を示している。

関連論文リスト

• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• Semantic Enhanced Few-shot Object Detection [37.715912401900745]
  本稿では, セマンティックな埋め込みを利用してより優れた検出を行う, 微調整に基づくFSODフレームワークを提案する。 提案手法は,各新規クラスが類似の基底クラスと混同されることなく,コンパクトな特徴空間を構築することを可能にする。
  論文  参考訳（メタデータ） (2024-06-19T12:40:55Z)
• Adaptive Discovering and Merging for Incremental Novel Class Discovery [37.54881512688964]
  我々は、段階的に新しいカテゴリを適応的に発見するために、Adaptive Discovering and Merging(ADM)と呼ばれる新しいパラダイムを導入する。 私たちのAMMは、破滅的な忘れの問題を軽減することで、クラスインクリメンタルラーニング(クラスインクリメンタルラーニング)のタスクにも役立ちます。
  論文  参考訳（メタデータ） (2024-03-06T00:17:03Z)
• Activating the Discriminability of Novel Classes for Few-shot Segmentation [48.542627940781095]
  本稿では,特徴符号化段階とセグメンテーションの予測段階の両方において,新規クラスの識別可能性を明示的に活性化することを提案する。 セグメンテーションの予測段階では、クエリ画像の高信頼画素を用いて自分自身を洗練できる自己修正オンラインフォアグラウンド分類器(SROFB)を学習する。
  論文  参考訳（メタデータ） (2022-12-02T12:22:36Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• Few-Shot Object Detection via Association and DIscrimination [83.8472428718097]
  AssociationとDIscriminationによるオブジェクト検出は、新しいクラスごとに2つのステップで識別可能な特徴空間を構築している。 Pascal VOCとMS-COCOデータセットの実験では、FADIは新しいSOTAパフォーマンスを実現し、ショット/スプリットのベースラインを+18.7で大幅に改善した。
  論文  参考訳（メタデータ） (2021-11-23T05:04:06Z)
• Continual Semantic Segmentation via Repulsion-Attraction of Sparse and Disentangled Latent Representations [18.655840060559168]
  本稿では,セマンティックセグメンテーションにおけるクラス連続学習に着目した。 新しいカテゴリは時間とともに利用可能になり、以前のトレーニングデータは保持されない。 提案された連続学習スキームは、潜在空間を形作り、新しいクラスの認識を改善しながら忘れを減らす。
  論文  参考訳（メタデータ） (2021-03-10T21:02:05Z)

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。