論文の概要: SEAL: Semantic-Aware Hierarchical Learning for Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2510.18740v1
• Date: Tue, 21 Oct 2025 15:44:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.833513
• Title: SEAL: Semantic-Aware Hierarchical Learning for Generalized Category Discovery
• Title（参考訳）: SEAL: 汎用カテゴリー発見のためのセマンティックな階層的学習
• Authors: Zhenqi He, Yuanpei Liu, Kai Han,
• Abstract要約: 本稿では,一般化カテゴリー発見(GCD)の問題点について考察する。 部分的にラベル付けされたデータセットが与えられた場合、GCDは、既知のクラスや未知のクラスに属するかどうかに関わらず、すべての未ラベルのイメージを分類することを目的としている。 本稿では,自然発生かつ容易にアクセス可能な階層構造によってガイドされるSEAL(SEmantic-aware HierArchical Learning framework)を紹介する。
• 参考スコア（独自算出の注目度）: 17.624912732260672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates the problem of Generalized Category Discovery (GCD). Given a partially labelled dataset, GCD aims to categorize all unlabelled images, regardless of whether they belong to known or unknown classes. Existing approaches typically depend on either single-level semantics or manually designed abstract hierarchies, which limit their generalizability and scalability. To address these limitations, we introduce a SEmantic-aware hierArchical Learning framework (SEAL), guided by naturally occurring and easily accessible hierarchical structures. Within SEAL, we propose a Hierarchical Semantic-Guided Soft Contrastive Learning approach that exploits hierarchical similarity to generate informative soft negatives, addressing the limitations of conventional contrastive losses that treat all negatives equally. Furthermore, a Cross-Granularity Consistency (CGC) module is designed to align the predictions from different levels of granularity. SEAL consistently achieves state-of-the-art performance on fine-grained benchmarks, including the SSB benchmark, Oxford-Pet, and the Herbarium19 dataset, and further demonstrates generalization on coarse-grained datasets. Project page: https://visual-ai.github.io/seal/
• Abstract（参考訳）: 本稿では,一般カテゴリー発見 (Generalized Category Discovery, GCD) の問題について検討する。 部分的にラベル付けされたデータセットが与えられた場合、GCDは、既知のクラスや未知のクラスに属するかどうかに関わらず、すべての未ラベルのイメージを分類することを目的としている。 既存のアプローチは通常、単一レベルのセマンティクスか、あるいは手動で設計された抽象階層に依存する。 これらの制約に対処するために、自然に出現し容易にアクセス可能な階層構造によってガイドされるSEAL(SEmantic-Aware HierArchical Learning framework)を導入する。 SEAL内では、階層的セマンティック・ガイド型ソフト・コントラシブ・ラーニング手法が提案され、全ての負を平等に扱う従来の対照的な損失の限界に対処する。 さらに、CGC(Cross-Granularity Consistency)モジュールは、粒度の異なるレベルからの予測を調整するように設計されている。 SEALは、SSBベンチマーク、Oxford-Pet、Herbarium19データセットなど、細粒度ベンチマークの最先端性能を一貫して達成し、さらに粗粒度データセットの一般化を実証している。 プロジェクトページ: https://visual-ai.github.io/seal/

関連論文リスト

• Towards Privacy-Preserving Fine-Grained Visual Classification via Hierarchical Learning from Label Proportions [25.974006393027228]
  本稿では,インスタンスラベルに直接アクセスすることなく,高精度な粒度認識を実現することを目的とする。 既存のLPPベースの手法とは異なり、我々のフレームワークはきめ細かいデータセットの階層的性質を明示的に活用する。
  論文  参考訳（メタデータ） (2025-05-29T03:18:25Z)
• Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
  我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。 Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。 Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
  論文  参考訳（メタデータ） (2025-03-10T20:59:41Z)
• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• 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)
• Learning from Mistakes: Self-Regularizing Hierarchical Representations in Point Cloud Semantic Segmentation [15.353256018248103]
  LiDARセマンティックセマンティックセマンティクスは、きめ細かいシーン理解を実現するために注目を集めている。 本稿では、標準モデルから派生した分類ミスタケス(LEAK)からLEArnを分離する粗大な設定を提案する。 我々のLEAKアプローチは非常に一般的で、どんなセグメンテーションアーキテクチャにもシームレスに適用できます。
  論文  参考訳（メタデータ） (2023-01-26T14:52:30Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Clue Me In: Semi-Supervised FGVC with Out-of-Distribution Data [44.90231337626545]
  半教師付き視覚分類のための配布外データ処理に特化した新しい設計を提案する。 実験の結果, (i) 提案手法は分布外データに対して良好なロバスト性を示し, (ii) 先行技術を用いて, 性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-12-06T07:22:10Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)

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。