論文の概要: DebGCD: Debiased Learning with Distribution Guidance for Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2504.04804v1
• Date: Mon, 07 Apr 2025 07:56:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:11:11.038384
• Title: DebGCD: Debiased Learning with Distribution Guidance for Generalized Category Discovery
• Title（参考訳）: DebGCD: 一般化カテゴリー発見のための分散ガイダンスによるバイアス付き学習
• Authors: Yuanpei Liu, Kai Han,
• Abstract要約: 一般化カテゴリー発見(GCD)の課題に取り組む GCDでは、未知のクラスと未知のクラスの間に固有のラベルバイアスが存在する。 本稿では,アンダーラインGCDのための分布指導フレームワークであるDebGCDを紹介する。
• 参考スコア（独自算出の注目度）: 14.222473509173357
• License:
• Abstract: In this paper, we tackle the problem of Generalized Category Discovery (GCD). Given a dataset containing both labelled and unlabelled images, the objective is to categorize all images in the unlabelled subset, irrespective of whether they are from known or unknown classes. In GCD, an inherent label bias exists between known and unknown classes due to the lack of ground-truth labels for the latter. State-of-the-art methods in GCD leverage parametric classifiers trained through self-distillation with soft labels, leaving the bias issue unattended. Besides, they treat all unlabelled samples uniformly, neglecting variations in certainty levels and resulting in suboptimal learning. Moreover, the explicit identification of semantic distribution shifts between known and unknown classes, a vital aspect for effective GCD, has been neglected. To address these challenges, we introduce DebGCD, a \underline{Deb}iased learning with distribution guidance framework for \underline{GCD}. Initially, DebGCD co-trains an auxiliary debiased classifier in the same feature space as the GCD classifier, progressively enhancing the GCD features. Moreover, we introduce a semantic distribution detector in a separate feature space to implicitly boost the learning efficacy of GCD. Additionally, we employ a curriculum learning strategy based on semantic distribution certainty to steer the debiased learning at an optimized pace. Thorough evaluations on GCD benchmarks demonstrate the consistent state-of-the-art performance of our framework, highlighting its superiority. Project page: https://visual-ai.github.io/debgcd/
• Abstract（参考訳）: 本稿では,一般化カテゴリー発見 (Generalized Category Discovery, GCD) の問題に取り組む。 ラベル付き画像と非ラベル付き画像の両方を含むデータセットが与えられた場合、目的は、既知のクラスか未知のクラスかに関わらず、すべての画像を未ラベルサブセットに分類することである。 GCDでは、未知のクラスと未知のクラスの間に固有のラベルバイアスが存在する。 GCDにおける最先端の手法は、ソフトラベルによる自己蒸留によって訓練されたパラメトリック分類器を利用しており、バイアス問題は未解決のままである。 さらに、全ての未学習サンプルを均一に処理し、一定のレベルの変動を無視し、最適以下の学習をもたらす。 さらに, 効果的なGCDに欠かせない, 未知のクラス間の意味分布シフトの明示的識別も無視されている。 これらの課題に対処するために,我々は,DebGCD,すなわち \underline{Deb}iased Learning with distribution guidance framework for \underline{GCD}を紹介する。 DebGCDは当初、GCD分類器と同じ特徴空間で補助的脱バイアス分類器を訓練し、徐々にGCDの特徴を増強した。 さらに,GCDの学習効率を暗黙的に向上させるために,特徴空間に意味分布検出器を導入する。 さらに,学習を最適化したペースで評価するために,意味分布の確実性に基づくカリキュラム学習戦略を採用する。 GCDベンチマークの詳細な評価は、我々のフレームワークにおける一貫した最先端性能を示し、その優位性を浮き彫りにしている。 プロジェクトページ: https://visual-ai.github.io/debgcd/

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)
• 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)
• ImbaGCD: Imbalanced Generalized Category Discovery [8.905027373521213]
  一般化クラス発見(GCD)は、未知のカテゴリをラベルのないデータセットで推論することを目的としている。 本質的には、未知の/珍しいクラスよりも、既知の/一般的なクラスに遭遇する可能性が高い。 InbaGCDは、一般化されたカテゴリ発見を実現するための、新しい最適なトランスポートベースの期待フレームワークである。
  論文  参考訳（メタデータ） (2023-12-04T09:46:09Z)
• GeT: Generative Target Structure Debiasing for Domain Adaptation [67.17025068995835]
  ドメイン適応(DA)は、ドメインシフトの下で、完全にラベル付けされたソースからほとんどラベル付けされていない、または完全にラベル付けされていないターゲットに知識を転送することを目的としています。 近年,擬似ラベリングを利用した半教師付き学習(SSL)技術がDAでますます普及している。 本稿では,高品質な擬似ラベルを用いた非バイアス対象埋め込み分布を学習するGeTを提案する。
  論文  参考訳（メタデータ） (2023-08-20T08:52:43Z)
• OpenGCD: Assisting Open World Recognition with Generalized Category Discovery [4.600906853436266]
  望ましいオープンワールド認識(OWR)システムは、3つのタスクを実行する必要がある。 上記の問題を逐次解決するために,3つの鍵となるアイデアを組み合わせたOpenGCDを提案する。 2つの標準分類ベンチマークと挑戦的なデータセットの実験は、OpenGCDが優れた互換性を提供するだけでなく、他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2023-08-14T04:10:45Z)
• Learning Semi-supervised Gaussian Mixture Models for Generalized Category Discovery [36.01459228175808]
  本稿では,表現学習とクラス数推定を交互に行うEMライクなフレームワークを提案する。 汎用画像分類データセットと細粒度オブジェクト認識データセットの双方について,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-05-10T13:47:38Z)
• 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)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)

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。