.png){kind=icon}
返回
Mutual-support generalized category discovery
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103020.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究聚焦于广义类别发现（GCD）问题，这是一个更现实且具有挑战性的半监督学习场景，其中未标记数据可能属于先前已知或未见过的类别。近期进展表明，基于伪标签的参数化分类方法和基于表示的非参数化分类方法在解决该问题方面均表现出有效性。然而，文献中存在关于整合各自优势的空白。前者倾向于偏向“旧”类别，使得将样本分类到“旧”组更容易；后者无法学习判别性表示，导致聚类性能下降。为此，我们提出了互支持广义类别发现（MSGCD），一种统一这两种范式的框架，以相互增强的方式利用其优势。它同时学习高质量伪标签和判别性表示。该框架引入了一种新颖的互支持机制以促进共生增强。具体而言，高质量伪标签为学习判别性表示提供宝贵的弱监督信息，而判别性表示能够估计样本间的语义相似度，指导模型生成更可靠的伪标签。MSGCD表现出显著的有效性，在多个数据集上取得了最先进的结果。此外，互支持机制不仅在图像分类任务中有效，还为跨模态表示学习、开放世界图像分割和识别提供了启示。代码可在https: //github.com/DuannYu/MSGCD获取。
Keyword:
Representation learning
Generalized category discovery
Open-world semi-supervised learning
Mutual-support mechanism
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
引用论文
.png){kind=icon}
Graph Embedding Contrastive Multi-Modal Representation Learning for Clustering面向聚类的图嵌入对比多模态表示学习
PREAI
分享收藏
查看更多内容