論文の概要: Prior-Constrained Association Learning for Fine-Grained Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2502.09501v1
• Date: Thu, 13 Feb 2025 17:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:48:14.151000
• Title: Prior-Constrained Association Learning for Fine-Grained Generalized Category Discovery
• Title（参考訳）: 微粒化一般化カテゴリー発見のための事前制約付きアソシエーション学習
• Authors: Menglin Wang, Zhun Zhong, Xiaojin Gong,
• Abstract要約: 本稿では,一般化カテゴリー発見(GCD)について述べる。 GCDは、潜在的に未知または未知のカテゴリからラベルのないデータをクラスタリングするタスクである。 本研究では,データ内の意味的関係を捕捉し,学習するための事前制約付きアソシエーション学習手法を提案する。
• 参考スコア（独自算出の注目度）: 24.241546246216082
• License:
• Abstract: This paper addresses generalized category discovery (GCD), the task of clustering unlabeled data from potentially known or unknown categories with the help of labeled instances from each known category. Compared to traditional semi-supervised learning, GCD is more challenging because unlabeled data could be from novel categories not appearing in labeled data. Current state-of-the-art methods typically learn a parametric classifier assisted by self-distillation. While being effective, these methods do not make use of cross-instance similarity to discover class-specific semantics which are essential for representation learning and category discovery. In this paper, we revisit the association-based paradigm and propose a Prior-constrained Association Learning method to capture and learn the semantic relations within data. In particular, the labeled data from known categories provides a unique prior for the association of unlabeled data. Unlike previous methods that only adopts the prior as a pre or post-clustering refinement, we fully incorporate the prior into the association process, and let it constrain the association towards a reliable grouping outcome. The estimated semantic groups are utilized through non-parametric prototypical contrast to enhance the representation learning. A further combination of both parametric and non-parametric classification complements each other and leads to a model that outperforms existing methods by a significant margin. On multiple GCD benchmarks, we perform extensive experiments and validate the effectiveness of our proposed method.
• Abstract（参考訳）: 本稿では、既知のカテゴリのラベル付きインスタンスの助けを借りて、潜在的に未知のカテゴリからラベル付きデータをクラスタリングする、一般化されたカテゴリ発見(GCD)について述べる。 従来の半教師付き学習と比較して、ラベル付きデータはラベル付きデータにない新しいカテゴリのものである可能性があるため、GCDはより難しい。 現在の最先端の手法は、一般的に自己蒸留を補助するパラメトリック分類器を学習する。 有効性はあるものの,これらの手法は,表現学習やカテゴリ発見に不可欠なクラス固有のセマンティクスを発見するために,クロスインスタンスの類似性を利用するものではない。 本稿では,アソシエーションに基づくパラダイムを再考し,データ内の意味的関係を捕捉し,学習するための事前制約付きアソシエーション学習法を提案する。 特に、既知のカテゴリのラベル付きデータは、ラベルなしデータの関連に独特な事前を提供する。 前者のみを前者あるいは後者のみに限定する従来の方法とは異なり、私たちは前者を完全に関連プロセスに統合し、信頼性の高いグループ化結果に限定させます。 推定された意味群は、非パラメトリックなプロトタイプコントラストを通じて利用され、表現学習が強化される。 パラメトリックな分類と非パラメトリックな分類のさらなる組み合わせは、互いに補完し合い、既存の手法をかなりの差で上回るモデルにつながる。 複数のGCDベンチマークにおいて,提案手法の有効性を検証し,実験を行った。

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)
• 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)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• 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)
• Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation [85.75352990739154]
  密度比推定に基づく新しいPU分類法を提案する。 提案手法の顕著な利点は、訓練段階においてクラスプライヤを必要としないことである。
  論文  参考訳（メタデータ） (2021-07-11T13:36:53Z)
• 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)
• 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。