論文の概要: SelEx: Self-Expertise in Fine-Grained Generalized Category Discovery
- arxiv url: http://arxiv.org/abs/2408.14371v2
- Date: Sun, 10 Nov 2024 21:45:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-12 14:06:16.922869
- Title: SelEx: Self-Expertise in Fine-Grained Generalized Category Discovery
- Title（参考訳）: SelEx: ファイングラインド一般化カテゴリー発見における自己証明
- Authors: Sarah Rastegar, Mohammadreza Salehi, Yuki M. Asano, Hazel Doughty, Cees G. M. Snoek,
- Abstract要約: Generalized Category Discoveryは、新しいカテゴリーを同時に発見し、既知のカテゴリを正確に分類することを目的としている。
自己超越と対照的な学習に強く依存する伝統的な手法は、細かなカテゴリーを区別する場合にしばしば不足する。
モデルが微妙な違いを認識し、未知のカテゴリを明らかにする能力を高める。
- 参考スコア（独自算出の注目度）: 55.72840638180451
- License:
- Abstract: In this paper, we address Generalized Category Discovery, aiming to simultaneously uncover novel categories and accurately classify known ones. Traditional methods, which lean heavily on self-supervision and contrastive learning, often fall short when distinguishing between fine-grained categories. To address this, we introduce a novel concept called `self-expertise', which enhances the model's ability to recognize subtle differences and uncover unknown categories. Our approach combines unsupervised and supervised self-expertise strategies to refine the model's discernment and generalization. Initially, hierarchical pseudo-labeling is used to provide `soft supervision', improving the effectiveness of self-expertise. Our supervised technique differs from traditional methods by utilizing more abstract positive and negative samples, aiding in the formation of clusters that can generalize to novel categories. Meanwhile, our unsupervised strategy encourages the model to sharpen its category distinctions by considering within-category examples as `hard' negatives. Supported by theoretical insights, our empirical results showcase that our method outperforms existing state-of-the-art techniques in Generalized Category Discovery across several fine-grained datasets. Our code is available at: https://github.com/SarahRastegar/SelEx.
- Abstract（参考訳）: 本稿では,新しいカテゴリーを同時に発見し,既知のカテゴリを正確に分類することを目的とした一般化カテゴリー発見について述べる。
自己超越と対照的な学習に強く依存する伝統的な手法は、細かなカテゴリーを区別する場合にしばしば不足する。
これを解決するために,モデルが微妙な違いを認識し,未知のカテゴリを明らかにする能力を高める「自己経験」という新しい概念を導入する。
提案手法は,教師なしと教師なしの自己訓練戦略を組み合わせて,モデルの認識と一般化を洗練させる。
当初、階層的な擬似ラベルは'ソフトな監督'を提供するために使われ、自己訓練の有効性が向上する。
我々の指導的手法は、より抽象的な正と負のサンプルを利用して、新しいカテゴリに一般化できるクラスターの形成を支援する従来の手法とは異なる。
一方、我々の教師なし戦略は、カテゴリー内の例を「堅い」負として考慮し、カテゴリーの区別を強化することを奨励している。
理論的知見によって支援され、我々の実験結果により、我々の手法は、いくつかのきめ細かいデータセットにわたる一般化カテゴリー発見において、既存の最先端技術よりも優れていることが示された。
私たちのコードは、https://github.com/SarahRastegar/SelExで利用可能です。
関連論文リスト
- Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。
まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。
カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
論文 参考訳（メタデータ） (2024-10-18T03:31:00Z) - Composing Novel Classes: A Concept-Driven Approach to Generalized Category Discovery [13.68907640197364]
我々は、ラベルなしデータセットにおける新しいクラスを発見することを目的として、一般化されたカテゴリ発見問題に取り組む。
本稿では,GCDのための新しい概念学習フレームワークであるConceptGCDを紹介し,概念を2つのタイプに分類する。
我々のフレームワークはまず、既知のクラス事前学習モデルにより既知のクラス概念を抽出し、そこから導出可能な概念を生成する。
論文 参考訳（メタデータ） (2024-10-17T07:30:20Z) - Memory Consistency Guided Divide-and-Conquer Learning for Generalized
Category Discovery [56.172872410834664]
一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。
メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。
本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-24T09:39:45Z) - Learn to Categorize or Categorize to Learn? Self-Coding for Generalized
Category Discovery [49.1865089933055]
テスト時に未知のカテゴリを発見できる新しい,効率的かつ自己管理手法を提案する。
このアプローチの健全な特徴は、個々のデータインスタンスに最小長のカテゴリコードの割り当てである。
試行錯誤による評価は, 提案手法の有効性を実証するものである。
論文 参考訳（メタデータ） (2023-10-30T17:45:32Z) - Fine-grained Category Discovery under Coarse-grained supervision with
Hierarchical Weighted Self-contrastive Learning [37.6512548064269]
粗粒度監視(FCDC)下での細粒度カテゴリー発見という新たな実践シナリオについて検討する。
FCDCは、粗いラベル付きデータのみを用いて、既知のデータと異なる粒度のカテゴリにモデルを適応させ、かなりのラベル付けコストを削減できるきめ細かなカテゴリを発見することを目的としている。
本稿では,新しい重み付き自己コントラストモジュールを構築し,それを階層的に教師付き学習と組み合わせることで,階層型自己コントラストネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-14T12:06:23Z) - 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) - Visualization of Supervised and Self-Supervised Neural Networks via
Attribution Guided Factorization [87.96102461221415]
クラスごとの説明性を提供するアルゴリズムを開発した。
実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
論文 参考訳（メタデータ） (2020-12-03T18:48:39Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2020-11-04T23:33:41Z)
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。