Incremental Generalized Category Discovery

要約

タイトル：Generalized Category Discoveryの進化
要約：
・Incremental Generalized Category Discovery（IGCD）の問題について探究する。
・IGCDは、適切なカテゴリー分類モデルを開発し、新しいものを発見しながら、以前に見たカテゴリーからの画像を正確に分類する場合の挑戦的なカテゴリーに対するインクリメンタル学習手法。
・IGCDは、モデルが新しいラベル付きおよびラベルなしのデータを獲得し、古いデータを逐次破棄して行われる。
・非パラメトリックな分類と効率的な画像サンプリングを組み合わせた新しいIGCD法を提案する。
・iNatIGCDという新しいベンチマークデータセットを提案し、これに基づいた実験を行った結果、既存の関連方法を上回る結果を出した。
・IGCDは一般的な設定であり、モデルの未観測のカテゴリーに関するラベルなしのデータがあるため、この問題は特に困難である。

要約(オリジナル)

We explore the problem of Incremental Generalized Category Discovery (IGCD). This is a challenging category incremental learning setting where the goal is to develop models that can correctly categorize images from previously seen categories, in addition to discovering novel ones. Learning is performed over a series of time steps where the model obtains new labeled and unlabeled data, and discards old data, at each iteration. The difficulty of the problem is compounded in our generalized setting as the unlabeled data can contain images from categories that may or may not have been observed before. We present a new method for IGCD which combines non-parametric categorization with efficient image sampling to mitigate catastrophic forgetting. To quantify performance, we propose a new benchmark dataset named iNatIGCD that is motivated by a real-world fine-grained visual categorization task. In our experiments we outperform existing related methods

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI