Proxy Anchor-based Unsupervised Learning for Continuous Generalized Category Discovery

要約

深層学習の最近の進歩により、さまざまなコンピューター ビジョン アプリケーションのパフォーマンスが大幅に向上しました。
ただし、新しいカテゴリの数と性質に関する事前知識が不足しているため、増分学習シナリオで新しいカテゴリを発見することは依然として困難な問題です。
新しいカテゴリを発見するための既存の方法は、ラベル付きデータセットへの依存と、バッチ内の新しいカテゴリの数と新しいサンプルの割合に関する事前知識によって制限されています。
この制限に対処し、現実世界のシナリオをより正確に反映するために、この論文では、事前知識なしでラベルなしセット上の新しいカテゴリを発見するための新しい教師なしクラス増分学習アプローチを提案します。
提案された方法では、ラベル付きセットの特徴抽出器とプロキシ アンカーを微調整し、ラベルなしのデータセットでサンプルを古いカテゴリと新しいカテゴリとクラスターに分割します。
さらに、プロキシ アンカー ベースのイグザンプラは、壊滅的な忘却を軽減するために代表的なカテゴリ ベクトルを生成します。
実験結果は、私たちが提案したアプローチが、現実世界のシナリオの下でのきめの細かいデータセットに対して最先端の方法よりも優れていることを示しています。

要約(オリジナル)

Recent advances in deep learning have significantly improved the performance of various computer vision applications. However, discovering novel categories in an incremental learning scenario remains a challenging problem due to the lack of prior knowledge about the number and nature of new categories. Existing methods for novel category discovery are limited by their reliance on labeled datasets and prior knowledge about the number of novel categories and the proportion of novel samples in the batch. To address the limitations and more accurately reflect real-world scenarios, in this paper, we propose a novel unsupervised class incremental learning approach for discovering novel categories on unlabeled sets without prior knowledge. The proposed method fine-tunes the feature extractor and proxy anchors on labeled sets, then splits samples into old and novel categories and clusters on the unlabeled dataset. Furthermore, the proxy anchors-based exemplar generates representative category vectors to mitigate catastrophic forgetting. Experimental results demonstrate that our proposed approach outperforms the state-of-the-art methods on fine-grained datasets under real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google