論文の概要: Category Discovery: An Open-World Perspective

• arxiv url: http://arxiv.org/abs/2509.22542v1
• Date: Fri, 26 Sep 2025 16:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.578602
• Title: Category Discovery: An Open-World Perspective
• Title（参考訳）: Category Discovery: オープンワールドの展望
• Authors: Zhenqi He, Yuanpei Liu, Kai Han,
• Abstract要約: カテゴリー発見(CD)は、非競合データを自動的に分類することを目的とした、新たなオープンワールド学習タスクである。 文献の総合的なレビューを行い、様々な手法について詳細な分析と詳細な議論を行う。 大規模に訓練されたバックボーン,階層的および補助的なキュー,カリキュラムスタイルのトレーニングが,すべてカテゴリ発見に有用であることを示す重要な知見を抽出する。
• 参考スコア（独自算出の注目度）: 17.624912732260672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Category discovery (CD) is an emerging open-world learning task, which aims at automatically categorizing unlabelled data containing instances from unseen classes, given some labelled data from seen classes. This task has attracted significant attention over the years and leads to a rich body of literature trying to address the problem from different perspectives. In this survey, we provide a comprehensive review of the literature, and offer detailed analysis and in-depth discussion on different methods. Firstly, we introduce a taxonomy for the literature by considering two base settings, namely novel category discovery (NCD) and generalized category discovery (GCD), and several derived settings that are designed to address the extra challenges in different real-world application scenarios, including continual category discovery, skewed data distribution, federated category discovery, etc. Secondly, for each setting, we offer a detailed analysis of the methods encompassing three fundamental components, representation learning, label assignment, and estimation of class number. Thirdly, we benchmark all the methods and distill key insights showing that large-scale pretrained backbones, hierarchical and auxiliary cues, and curriculum-style training are all beneficial for category discovery, while challenges remain in the design of label assignment, the estimation of class numbers, and scaling to complex multi-object scenarios.Finally, we discuss the key insights from the literature so far and point out promising future research directions. We compile a living survey of the category discovery literature at \href{https://github.com/Visual-AI/Category-Discovery}{https://github.com/Visual-AI/Category-Discovery}.
• Abstract（参考訳）: カテゴリ発見(CD)は、目に見えないクラスからインスタンスを含む、ラベル付きデータを自動的に分類することを目的とした、新たなオープンワールド学習タスクである。 この課題は何年にもわたって大きな注目を集め、様々な視点からこの問題に対処しようとする文学界のリッチ化に繋がった。 本調査では,文献の総合的なレビューを行い,様々な手法について詳細な分析と詳細な考察を行う。 まず,新たなカテゴリ発見(NCD)と一般化されたカテゴリ発見(GCD)という2つの基本設定と,連続的なカテゴリ発見,スキュードデータ分布,フェデレートされたカテゴリ発見など,さまざまな現実のアプリケーションシナリオにおける余分な課題に対処するために設計されたいくつかの派生した設定を考察して,文献の分類を紹介した。 第2に、各設定について、表現学習、ラベル割り当て、クラス数の推定という3つの基本的な要素を含む手法を詳細に分析する。 第3に, 大規模事前学習されたバックボーン, 階層的・補助的なキュー, カリキュラムスタイルのトレーニングが, カテゴリー発見に有用であることを示すとともに, ラベルの割り当て, クラス数の推定, 複雑な多目的シナリオへのスケーリングに課題が残っており, これまでの文献からの重要な知見を議論し, 今後の研究方向性を指摘する。 本稿では,カテゴリ発見に関する文献を, \href{https://github.com/Visual-AI/Category-Discovery}{https://github.com/Visual-AI/Category-Discovery} にまとめる。

関連論文リスト

• A Survey on Class-Agnostic Counting: Advancements from Reference-Based to Open-World Text-Guided Approaches [6.356364436395916]
  CAC(class-agnostic counting, Class-Agnostic counting, CAC)法について概説した。 本稿では,CACアプローチを参照ベース,参照レス,オープンワールドの3つのパラダイムに分類する分類法を提案する。 本研究では, FSC-147データセット, 金標準指標を用いたリーダボード, CARPKデータセットを用いて一般化能力の評価を行う。
  論文  参考訳（メタデータ） (2025-01-31T14:47:09Z)
• Contextuality Helps Representation Learning for Generalized Category Discovery [5.885208652383516]
  本稿では、文脈性の概念を活用することにより、一般化カテゴリー発見(GCD)への新たなアプローチを提案する。 我々のモデルでは,コントラスト学習に最も近いコンテキストが使用されるインスタンスレベルと,コントラスト学習を利用するクラスタレベルという,2つのコンテキストレベルを統合している。 文脈情報の統合は、特徴学習を効果的に改善し、その結果、すべてのカテゴリの分類精度が向上する。
  論文  参考訳（メタデータ） (2024-07-29T07:30:41Z)
• A Survey on Continual Semantic Segmentation: Theory, Challenge, Method and Application [7.595948982978669]
  継続的学習は、漸進的学習または生涯学習としても知られ、ディープラーニングとAIシステムの最前線にある。 本稿では,連続的セマンティックセグメンテーション(CSS)について概説する。 現在のCSSモデルを、データ再生とデータフリーセットを含む2つのメインブランチに分類し、分類する。 また、多様なアプリケーションシナリオと開発傾向を持つ4つのCSS特長も導入しています。
  論文  参考訳（メタデータ） (2023-10-22T11:53:56Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• Novel Visual Category Discovery with Dual Ranking Statistics and Mutual Knowledge Distillation [16.357091285395285]
  我々は、新しいクラスから異なるセマンティックパーティションに非ラベリングなイメージをグループ化する問題に取り組む。 これは従来の半教師付き学習よりも現実的で難しい設定です。 本稿では,局所的な部分レベル情報に焦点をあてた2分岐学習フレームワークと,全体特性に焦点をあてた2分岐学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-07T17:14:40Z)
• Deep Learning for Scene Classification: A Survey [48.57123373347695]
  シーン分類は、コンピュータビジョンにおける長年の、根本的かつ挑戦的な問題である。 大規模データセットの出現と深層学習技術のルネッサンスは、シーン表現と分類の分野において顕著な進歩をもたらした。 本稿では,深層学習によるシーン分類における最近の成果を総合的に調査する。
  論文  参考訳（メタデータ） (2021-01-26T03:06:50Z)
• Dataset Bias in Few-shot Image Recognition [57.25445414402398]
  まず,基本カテゴリから学習した伝達可能能力の影響について検討する。 第2に、データセット構造と異なる少数ショット学習方法から、異なるデータセットのパフォーマンス差について検討する。
  論文  参考訳（メタデータ） (2020-08-18T14:46:23Z)
• A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
  過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。 本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。 特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
  論文  参考訳（メタデータ） (2020-08-02T00:09:03Z)

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。