論文の概要: Few-Shot Generalized Category Discovery With Retrieval-Guided Decision Boundary Enhancement

• arxiv url: http://arxiv.org/abs/2506.16728v1
• Date: Fri, 20 Jun 2025 03:52:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.327943
• Title: Few-Shot Generalized Category Discovery With Retrieval-Guided Decision Boundary Enhancement
• Title（参考訳）: Retrieval-Guided Decision境界拡張を用いたFew-Shot Generalized Category Discovery
• Authors: Yunhan Ren, Feng Luo, Siyu Huang,
• Abstract要約: Few-shot Generalized Category Discovery (FSGCD) の課題について紹介する。 我々のフレームワークは、既知のカテゴリの決定境界を学習し、これらの境界を未知のカテゴリに転送するように設計されている。 実験の結果,提案手法は6つのGCDベンチマークにおいて既存手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 11.716434502665624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While existing Generalized Category Discovery (GCD) models have achieved significant success, their performance with limited labeled samples and a small number of known categories remains largely unexplored. In this work, we introduce the task of Few-shot Generalized Category Discovery (FSGCD), aiming to achieve competitive performance in GCD tasks under conditions of known information scarcity. To tackle this challenge, we propose a decision boundary enhancement framework with affinity-based retrieval. Our framework is designed to learn the decision boundaries of known categories and transfer these boundaries to unknown categories. First, we use a decision boundary pre-training module to mitigate the overfitting of pre-trained information on known category boundaries and improve the learning of these decision boundaries using labeled samples. Second, we implement a two-stage retrieval-guided decision boundary optimization strategy. Specifically, this strategy further enhances the severely limited known boundaries by using affinity-retrieved pseudo-labeled samples. Then, these refined boundaries are applied to unknown clusters via guidance from affinity-based feature retrieval. Experimental results demonstrate that our proposed method outperforms existing methods on six public GCD benchmarks under the FSGCD setting. The codes are available at: https://github.com/Ryh1218/FSGCD
• Abstract（参考訳）: 既存の一般カテゴリー発見(GCD)モデルは大きな成功を収めてきたが、ラベル付きサンプルと少数の既知のカテゴリでの性能はほとんど探索されていない。 本稿では,Few-shot Generalized Category Discovery (FSGCD) の課題を紹介する。 この課題に対処するために、親和性に基づく検索を伴う決定境界拡張フレームワークを提案する。 我々のフレームワークは、既知のカテゴリの決定境界を学習し、これらの境界を未知のカテゴリに転送するように設計されている。 まず、決定境界事前学習モジュールを用いて、既知のカテゴリ境界に関する事前学習情報の過剰適合を緩和し、ラベル付きサンプルを用いてこれらの決定境界の学習を改善する。 第二に、2段階の検索誘導決定境界最適化戦略を実装した。 特に、この戦略は、親和性検索された擬似ラベルサンプルを使用することにより、厳格に制限された既知の境界をさらに強化する。 そして、これらの洗練された境界を親和性に基づく特徴検索のガイダンスにより未知のクラスタに適用する。 その結果,提案手法はFSGCD設定下での6つの公開GCDベンチマークにおいて既存手法よりも優れていた。 コードは以下の通り。 https://github.com/Ryh1218/FSGCD

関連論文リスト

• Freeze and Cluster: A Simple Baseline for Rehearsal-Free Continual Category Discovery [13.68907640197364]
  本稿では,RF-CCD(Rehearsal-Free Continual Category Discovery)の問題に対処する。 RF-CCDはラベル付きデータからの知識を活用することで、新しいクラスを継続的に識別することに焦点を当てている。 従来のアプローチでは、両方のドメインの高度なテクニックを効果的に統合することに苦労していた。
  論文  参考訳（メタデータ） (2025-03-12T06:46:32Z)
• Multi-Granularity Open Intent Classification via Adaptive Granular-Ball Decision Boundary [22.669965275069313]
  適応的粒界決定境界(MOGB)を用いた多粒度オープン意図分類法を提案する。 提案手法は,表現学習と決定境界獲得という2つのモジュールから構成される。 これは適応的な粒球クラスタリングと最も近いセントロイド分類を反復的に交互に交互に行い、既知の意図クラス内の微細な意味構造をキャプチャする。
  論文  参考訳（メタデータ） (2024-12-18T06:42:19Z)
• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• Generalized Categories Discovery for Long-tailed Recognition [8.69033435074757]
  一般化されたクラスディスカバリは、既知のカテゴリと未知のカテゴリの両方をラベルのないデータセットから識別する上で重要な役割を果たす。 我々の研究は、長い尾の一般カテゴリー発見(Long-tailed GCD)パラダイムに焦点をあてて、この断線を橋渡ししようと試みています。 長い尾を持つGCDがもたらす特異な課題に対応するため、2つの戦略正則化に固定された頑健な方法論を提案する。
  論文  参考訳（メタデータ） (2023-12-04T09:21:30Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Temporal Action Localization with Enhanced Instant Discriminability [66.76095239972094]
  時間的行動検出(TAD)は、すべての行動境界とその対応するカテゴリを、トリミングされていないビデオで検出することを目的としている。 本稿では,既存の手法による動作境界の不正確な予測を解決するために,TriDetという一段階のフレームワークを提案する。 実験結果から,複数のTADデータセット上でのTriDetの堅牢性と最先端性能が示された。
  論文  参考訳（メタデータ） (2023-09-11T16:17:50Z)
• Automated Imbalanced Classification via Layered Learning [0.734084539365505]
  トレーニングインスタンスのクラス分布のバランスをとるために再サンプリング戦略を適用することは、これらの問題に対処するための一般的なアプローチである。 多くの最先端の手法は、再サンプリングプロセスを実行するために決定境界に近い関心の事例を見つける。 オーバーサンプリングは、少数層からインスタンスに含まれる情報を伝播することで、過度に適合する可能性を高める可能性がある。
  論文  参考訳（メタデータ） (2022-05-05T10:32:24Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。