論文の概要: Component Adaptive Clustering for Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2507.01711v1
• Date: Wed, 02 Jul 2025 13:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.264422
• Title: Component Adaptive Clustering for Generalized Category Discovery
• Title（参考訳）: 一般カテゴリー発見のためのコンポーネント適応クラスタリング
• Authors: Mingfu Yan, Jiancheng Huang, Yifan Liu, Shifeng Chen,
• Abstract要約: 本稿では、適応スロット注意(AdaSlot)を一般化カテゴリー発見(GCD)フレームワークに組み込んだクラスタ中心のコントラスト学習フレームワークを提案する。 AdaSlotはデータ複雑性に基づいて最適なスロット数を動的に決定し、事前に定義されたスロットカウントを不要にする。 本手法は,実世界のシナリオにおけるクラス発見を改善するために,インスタンス固有の特徴と空間的にクラスタリングされた特徴の両方をキャプチャする。
• 参考スコア（独自算出の注目度）: 13.322393552334063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalized Category Discovery (GCD) tackles the challenging problem of categorizing unlabeled images into both known and novel classes within a partially labeled dataset, without prior knowledge of the number of unknown categories. Traditional methods often rely on rigid assumptions, such as predefining the number of classes, which limits their ability to handle the inherent variability and complexity of real-world data. To address these shortcomings, we propose AdaGCD, a cluster-centric contrastive learning framework that incorporates Adaptive Slot Attention (AdaSlot) into the GCD framework. AdaSlot dynamically determines the optimal number of slots based on data complexity, removing the need for predefined slot counts. This adaptive mechanism facilitates the flexible clustering of unlabeled data into known and novel categories by dynamically allocating representational capacity. By integrating adaptive representation with dynamic slot allocation, our method captures both instance-specific and spatially clustered features, improving class discovery in open-world scenarios. Extensive experiments on public and fine-grained datasets validate the effectiveness of our framework, emphasizing the advantages of leveraging spatial local information for category discovery in unlabeled image datasets.
• Abstract（参考訳）: Generalized Category Discovery (GCD) は、未ラベルの画像を、未知のカテゴリの数を事前に知ることなく、部分的にラベル付けされたデータセット内の既知のクラスと新しいクラスに分類する難しい問題に取り組む。 従来の手法は、クラス数を事前に定義するような厳密な仮定に依存しており、現実世界のデータ固有の変動性と複雑さを扱う能力を制限する。 このような欠点に対処するために,AdaSlot Attention(Adaptive Slot Attention, AdaSlot)をGCDフレームワークに組み込んだクラスタ中心のコントラスト学習フレームワークであるAdaGCDを提案する。 AdaSlotはデータ複雑性に基づいて最適なスロット数を動的に決定し、事前に定義されたスロットカウントを不要にする。 この適応機構は、表現能力を動的に割り当てることで、ラベルのないデータを既知のカテゴリや新しいカテゴリに柔軟なクラスタリングを容易にする。 適応表現を動的スロットアロケーションと統合することにより、インスタンス固有の特徴と空間的にクラスタ化された特徴の両方をキャプチャし、オープンワールドシナリオにおけるクラス発見を改善する。 公開およびきめ細かいデータセットに対する広範囲な実験により、未ラベル画像データセットのカテゴリ発見に空間的局所情報を活用する利点を強調し、我々のフレームワークの有効性を検証した。

関連論文リスト

• Learning Part Knowledge to Facilitate Category Understanding for Fine-Grained Generalized Category Discovery [10.98097145569408]
  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。
  論文  参考訳（メタデータ） (2025-03-21T01:37:51Z)
• HOpenCls: Training Hyperspectral Image Open-Set Classifiers in Their Living Environments [12.486470619228776]
  ハイパースペクトル画像(HSI)のオープンセット分類は,実環境に展開するHSI分類モデルにおいて重要である。 本稿では,未ラベルの野生データを活用するための新しいフレームワークであるHOpenClsを提案する。 実験により、複雑な実世界のシナリオにおいて、ワイルドデータはオープンセットのHSI分類を大幅に向上する可能性が示された。
  論文  参考訳（メタデータ） (2025-02-21T02:59:18Z)
• 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)
• Open World Classification with Adaptive Negative Samples [89.2422451410507]
  オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。 そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。 ANSは最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-09T21:12:46Z)
• 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)
• 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)
• Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
  本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。 クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
  論文  参考訳（メタデータ） (2020-06-11T16:19:02Z)
• CycleCluster: Modernising Clustering Regularisation for Deep Semi-Supervised Classification [0.0]
  深層半教師付き分類のための新しいフレームワークであるCycleClusterを提案する。 我々のコア最適化は、グラフベースの擬似ラベルと共有深層ネットワークとともに、新たなクラスタリングベースの正規化によって推進されます。
  論文  参考訳（メタデータ） (2020-01-15T13:34:02Z)

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。