論文の概要: ProtoGCD: Unified and Unbiased Prototype Learning for Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2504.03755v1
• Date: Wed, 02 Apr 2025 06:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:16.815305
• Title: ProtoGCD: Unified and Unbiased Prototype Learning for Generalized Category Discovery
• Title（参考訳）: ProtoGCD: 一般化カテゴリー発見のための統一的で偏見のないプロトタイプ学習
• Authors: Shijie Ma, Fei Zhu, Xu-Yao Zhang, Cheng-Lin Liu,
• Abstract要約: 一般化圏発見(GCD)は実用的だが未発見の問題である。 ラベルなしデータは、古いクラスと新しいクラスの両方を含んでいる。 ProtoGCDは、ジェネリックデータセットときめ細かいデータセットの両方で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 42.965641047139904
• License:
• Abstract: Generalized category discovery (GCD) is a pragmatic but underexplored problem, which requires models to automatically cluster and discover novel categories by leveraging the labeled samples from old classes. The challenge is that unlabeled data contain both old and new classes. Early works leveraging pseudo-labeling with parametric classifiers handle old and new classes separately, which brings about imbalanced accuracy between them. Recent methods employing contrastive learning neglect potential positives and are decoupled from the clustering objective, leading to biased representations and sub-optimal results. To address these issues, we introduce a unified and unbiased prototype learning framework, namely ProtoGCD, wherein old and new classes are modeled with joint prototypes and unified learning objectives, {enabling unified modeling between old and new classes}. Specifically, we propose a dual-level adaptive pseudo-labeling mechanism to mitigate confirmation bias, together with two regularization terms to collectively help learn more suitable representations for GCD. Moreover, for practical considerations, we devise a criterion to estimate the number of new classes. Furthermore, we extend ProtoGCD to detect unseen outliers, achieving task-level unification. Comprehensive experiments show that ProtoGCD achieves state-of-the-art performance on both generic and fine-grained datasets. The code is available at https://github.com/mashijie1028/ProtoGCD.
• Abstract（参考訳）: 一般化圏発見(GCD)は実用的だが未探索な問題であり、古いクラスからラベル付きサンプルを活用すれば、モデルが自動的にクラスタリングし、新しいカテゴリを発見する必要がある。 課題は、ラベルなしデータは古いクラスと新しいクラスの両方を含んでいることだ。 パラメトリック分類器による擬似ラベリングを利用した初期の研究は、古いクラスと新しいクラスを別々に扱い、それらの間に不均衡な精度をもたらす。 近年の手法では, 潜在的な正を無視し, クラスタリングの対象から切り離され, 偏りのある表現や準最適結果が導かれる。 これらの課題に対処するために,古クラスと新クラスを共同プロトタイプと統合学習目標でモデル化し,古クラスと新クラスの統一モデリングを促進する,統一的で偏りのない学習フレームワークであるProtoGCDを導入する。 具体的には、確認バイアスを軽減するための2段階適応型擬似ラベル機構と、GCDのより適切な表現を総合的に学習するための2つの正規化項を提案する。 さらに、実践的な考察として、新しいクラスの数を見積もる基準を考案する。 さらに,ProtoGCDを拡張して未確認の外れ値を検出し,タスクレベルの統一を実現する。 総合的な実験により、ProtoGCDは一般的なデータセットときめ細かいデータセットの両方で最先端のパフォーマンスを達成することが示された。 コードはhttps://github.com/mashijie1028/ProtoGCDで入手できる。

関連論文リスト

• Generalized Class Discovery in Instance Segmentation [7.400926717561454]
  擬似ラベルに対するコントラスト学習とクラス信頼性基準のためのインスタンス単位温度割当(ITA)手法を提案する。 提案手法は,COCO$_half$ + LVIS と LVIS + Visual Genome の2つの設定で実験を行うことにより評価した。
  論文  参考訳（メタデータ） (2025-02-12T06:26:05Z)
• Solving the Catastrophic Forgetting Problem in Generalized Category Discovery [46.63232918739251]
  Generalized Category Discovery (GCD)は、ラベルなしデータセット内の既知のカテゴリと新しいカテゴリの混合を識別することを目的としている。 最近の最先端手法SimGCDは、既知のクラスデータからの知識を、偏りのある学習を通して、新しいクラスの学習に転送する。 本稿では,従来の手法にシームレスに統合された新しい学習手法であるLegoGCDを提案する。
  論文  参考訳（メタデータ） (2025-01-09T14:31:54Z)
• 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)
• Active Generalized Category Discovery [60.69060965936214]
  GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。 我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。 提案手法は, 汎用および微粒な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） (2024-03-07T07:12:24Z)
• 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)

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。