論文の概要: Learning Part Knowledge to Facilitate Category Understanding for Fine-Grained Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2503.16782v1
• Date: Fri, 21 Mar 2025 01:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:58:48.233585
• Title: Learning Part Knowledge to Facilitate Category Understanding 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カテゴリー理解のための部分知識の学習
• Authors: Enguang Wang, Zhimao Peng, Zhengyuan Xie, Haori Lu, Fei Yang, Xialei Liu,
• Abstract要約: Generalized Category Discovery (GCD)は、目に見えないカテゴリと新しいカテゴリの両方を含むラベルのないデータを分類することを目的としている。 本稿では,細粒度GCDに対処するための部分知識の導入を提案する。
• 参考スコア（独自算出の注目度）: 10.98097145569408
• License:
• Abstract: Generalized Category Discovery (GCD) aims to classify unlabeled data containing both seen and novel categories. Although existing methods perform well on generic datasets, they struggle in fine-grained scenarios. We attribute this difficulty to their reliance on contrastive learning over global image features to automatically capture discriminative cues, which fails to capture the subtle local differences essential for distinguishing fine-grained categories. Therefore, in this paper, we propose incorporating part knowledge to address fine-grained GCD, which introduces two key challenges: the absence of annotations for novel classes complicates the extraction of the part features, and global contrastive learning prioritizes holistic feature invariance, inadvertently suppressing discriminative local part patterns. To address these challenges, we propose PartGCD, including 1) Adaptive Part Decomposition, which automatically extracts class-specific semantic parts via Gaussian Mixture Models, and 2) Part Discrepancy Regularization, enforcing explicit separation between part features to amplify fine-grained local part distinctions. Experiments demonstrate state-of-the-art performance across multiple fine-grained benchmarks while maintaining competitiveness on generic datasets, validating the effectiveness and robustness of our approach.
• Abstract（参考訳）: Generalized Category Discovery (GCD)は、目に見えないカテゴリと新しいカテゴリの両方を含むラベルのないデータを分類することを目的としている。 既存のメソッドは汎用データセットでうまく機能するが、細かなシナリオで苦労する。 我々は,この難しさを,大域的な画像特徴よりもコントラスト的な学習に頼って,識別的手がかりを自動的に捉えているが,微粒なカテゴリの識別に不可欠な微妙な局所的差異を捉えることは困難であると考えている。 そこで本稿では,新しいクラスに対するアノテーションの欠如が特徴の抽出を複雑にし,グローバルコントラスト学習は包括的特徴不変性を優先し,識別的局所的な部分パターンを不注意に抑制する,という2つの重要な課題を提起する。 これらの課題に対処するため、我々はPartGCDを提案する。 1) ガウス混合モデルを介してクラス固有の意味部分を自動抽出する適応部分分解 2) 微粒な局所的な部分の区別を増幅するために、部分特徴間の明示的な分離を強制する部分の相違規則化。 実験では、汎用データセットの競合性を保ちながら、複数のきめ細かいベンチマークで最先端のパフォーマンスを実証し、このアプローチの有効性と堅牢性を検証した。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Cascaded two-stage feature clustering and selection via separability and consistency in fuzzy decision systems [8.048511956662336]
  特徴選択は、計算複雑性を減らし、モデルパフォーマンスを改善し、オーバーフィッティングのリスクを軽減することができるため、機械学習において重要なテクニックである。 本稿では,ファジィ決定システムのための2段階特徴クラスタリングと選択アルゴリズムを提案する。 提案アルゴリズムの有効性を18の公開データセットと現実世界の統合失調症データセットを用いて評価した。
  論文  参考訳（メタデータ） (2024-07-22T02:44:32Z)
• 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)
• Cluster-to-adapt: Few Shot Domain Adaptation for Semantic Segmentation across Disjoint Labels [80.05697343811893]
  クラスタ・トゥ・アダプティブ(Cluster-to-Adapt, C2A)は、セグメンテーションデータセット間のドメイン適応のための、計算的に効率的なクラスタリングベースのアプローチである。 変換された特徴空間に強制されるそのようなクラスタリングの目的は、ソースドメインとターゲットドメインのカテゴリを自動的に選択するのに役立つことを示す。
  論文  参考訳（メタデータ） (2022-08-04T17:57:52Z)
• 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)
• Task-specific Inconsistency Alignment for Domain Adaptive Object Detection [38.027790951157705]
  大量のラベル付きデータでトレーニングされた検出器は、データ分散ギャップのある特定のシナリオで劇的なパフォーマンス劣化を示すことが多い。 本稿では,タスク固有の不整合アライメント(TIA)を提案する。 TIAは,従来の最先端手法よりも,様々なシナリオにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2022-03-29T08:36:33Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Channel DropBlock: An Improved Regularization Method for Fine-Grained Visual Classification [58.07257910065007]
  既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。 本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:03:02Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Unsupervised Domain Adaptation in Semantic Segmentation via Orthogonal and Clustered Embeddings [25.137859989323537]
  本稿では,機能クラスタリング手法に基づく効果的なUnsupervised Domain Adaptation(UDA)戦略を提案する。 識別的クラスタリング性能を高めるために,2つの新しい学習目標を導入する。
  論文  参考訳（メタデータ） (2020-11-25T10:06:22Z)

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。