Continual Novel Class Discovery via Feature Enhancement and Adaptation

要約

Continual Novel Class Discovery (CNCD) は、以前に学習したクラスの認識能力を維持しながら、ラベルのない新しいクラスを継続的に発見することを目的としています。
CNCD が直面する主な課題には、機能の不一致問題、セッション間の混乱問題などが含まれます。この論文では、CNCD が上記の課題に取り組むための新しい機能拡張および適応方法を提案します。
to-novel フレームワーク、セントロイドとサンプルの類似性制約 (CSS)、および境界を意識したプロトタイプ制約 (BAP) です。
より具体的には、事前配布の指導の下で新しいクラスを継続的に発見するために、新規ガイドのフレームワークが確立されています。
その後、CSS は、異なるクラスの重心とサンプルの類似性間の関係を制約するように設計され、それによって新しいクラス間の特徴の区別性が強化されます。
最後に、BAP は、インクリメンタル セッション中に新しいクラスの特徴が他のクラス プロトタイプの位置を認識し続けるようにし、新しいクラスの特徴を共有特徴空間に適切に適応させるために提案されています。
3 つのベンチマーク データセットでの実験結果は、特に増分セッションが多いより困難なプロトコルにおいて、この手法の優位性を示しています。

要約(オリジナル)

Continual Novel Class Discovery (CNCD) aims to continually discover novel classes without labels while maintaining the recognition capability for previously learned classes. The main challenges faced by CNCD include the feature-discrepancy problem, the inter-session confusion problem, etc. In this paper, we propose a novel Feature Enhancement and Adaptation method for the CNCD to tackle the above challenges, which consists of a guide-to-novel framework, a centroid-to-samples similarity constraint (CSS), and a boundary-aware prototype constraint (BAP). More specifically, the guide-to-novel framework is established to continually discover novel classes under the guidance of prior distribution. Afterward, the CSS is designed to constrain the relationship between centroid-to-samples similarities of different classes, thereby enhancing the distinctiveness of features among novel classes. Finally, the BAP is proposed to keep novel class features aware of the positions of other class prototypes during incremental sessions, and better adapt novel class features to the shared feature space. Experimental results on three benchmark datasets demonstrate the superiority of our method, especially in more challenging protocols with more incremental sessions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google