論文の概要: ReLKD: Inter-Class Relation Learning with Knowledge Distillation for Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2512.07229v1
• Date: Mon, 08 Dec 2025 07:16:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.754069
• Title: ReLKD: Inter-Class Relation Learning with Knowledge Distillation for Generalized Category Discovery
• Title（参考訳）: ReLKD:一般カテゴリー発見のための知識蒸留によるクラス間関係学習
• Authors: Fang Zhou, Zhiqiang Chen, Martin Pavlovski, Yizhong Zhang,
• Abstract要約: Generalized Category Discovery (GCD) は、既知のクラスと新しいクラスの両方を含むラベルなしデータの分類という課題に直面している。 従来の研究は各階級を個別に扱い、固有の階級間の関係を無視していた。 暗黙的なクラス間関係を効果的に活用するエンドツーエンドフレームワークであるReLKDを提案する。
• 参考スコア（独自算出の注目度）: 15.873203786649347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalized Category Discovery (GCD) faces the challenge of categorizing unlabeled data containing both known and novel classes, given only labels for known classes. Previous studies often treat each class independently, neglecting the inherent inter-class relations. Obtaining such inter-class relations directly presents a significant challenge in real-world scenarios. To address this issue, we propose ReLKD, an end-to-end framework that effectively exploits implicit inter-class relations and leverages this knowledge to enhance the classification of novel classes. ReLKD comprises three key modules: a target-grained module for learning discriminative representations, a coarse-grained module for capturing hierarchical class relations, and a distillation module for transferring knowledge from the coarse-grained module to refine the target-grained module's representation learning. Extensive experiments on four datasets demonstrate the effectiveness of ReLKD, particularly in scenarios with limited labeled data. The code for ReLKD is available at https://github.com/ZhouF-ECNU/ReLKD.
• Abstract（参考訳）: Generalized Category Discovery (GCD) は、既知のクラスと新しいクラスの両方を含むラベルのないデータを分類するという課題に直面している。 従来の研究は各階級を個別に扱い、固有の階級間の関係を無視していた。 このようなクラス間の関係の達成は、現実のシナリオにおいて、直接的に重要な課題となる。 この問題に対処するために,暗黙的なクラス間関係を効果的に活用し,この知識を活用して新規クラスの分類を強化するエンドツーエンドフレームワークであるReLKDを提案する。 ReLKDは、識別表現を学習するターゲット粒度モジュールと、階層的なクラス関係をキャプチャする粗粒度モジュールと、粗粒度モジュールから知識を伝達し、ターゲット粒度モジュールの表現学習を洗練させる蒸留モジュールの3つの主要なモジュールから構成される。 4つのデータセットに対する大規模な実験は、特にラベル付きデータに制限のあるシナリオにおいて、ReLKDの有効性を示す。 ReLKDのコードはhttps://github.com/ZhouF-ECNU/ReLKDで入手できる。

関連論文リスト

• Novel Class Discovery for Point Cloud Segmentation via Joint Learning of Causal Representation and Reasoning [58.25418970608328]
  ポイントクラウドのための新しいクラスディスカバリ(3D-NCD)に焦点を当てる このタスクの鍵は、ポイント表現とベースクラスラベルの正確な相関を設定することである。 本稿では,因果表現と推論の融合学習法を提案する。
  論文  参考訳（メタデータ） (2025-10-15T08:54:41Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Class-relation Knowledge Distillation for Novel Class Discovery [16.461242381109276]
  主な課題は、既知のクラスデータの知識を新しいクラスの学習に転送することである。 本稿では,既知のクラスに基づいて学習したモデルの予測クラス分布に基づいて,新しいクラスに対するクラス関係表現を提案する。 本稿では,クラス関係表現を利用して新しいクラスの学習を規則化する新しい知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-18T11:35:57Z)
• 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)
• Rethinking Few-Shot Class-Incremental Learning with Open-Set Hypothesis in Hyperbolic Geometry [21.38183613466714]
  FSCIL(Few-Shot Class-Incremental Learning)は、いくつかのラベル付きサンプルから新しいクラスを段階的に学習することを目的としている。 本稿では,FSCILの構成をオープンセット仮説で再考する。 モデルにクローズセットとオープンセットの両方の認識により良いパフォーマンスを割り当てるために、ハイパーボリック・リシパル・ポイント・ラーニングモジュール(Hyper-RPL)は、ハイパーボリック・ニューラルネットワークを備えたリシパル・ポイント・ラーニング(Reciprocal Point Learning、RPL)上に構築されている。
  論文  参考訳（メタデータ） (2022-07-20T15:13:48Z)
• 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 Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• CTRN: Class-Temporal Relational Network for Action Detection [7.616556723260849]
  エンドツーエンドネットワーク:CTRN(Class-Temporal Network)を導入する。 CTRNには、Transform Representation Module、Class-Temporal Module、G-classifierの3つの重要なコンポーネントが含まれている。 CTRを3つの高密度ラベル付きデータセット上で評価し、最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-26T08:15:47Z)

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。