SpectralGCD 通过高效的多模态学习推动类别发现

研究人员开发了 SpectralGCD，一种用于广义类别发现 (GCD) 的新颖多模态方法。该方法通过整合 CLIP 跨模态相似性的文本和视觉信息，有效地在无标签数据中识别新类别。SpectralGCD 通过将图像表示为大型词典中概念的混合体来锚定学习到显式语义，从而减少对虚假视觉线索的依赖。该方法还采用谱滤波和知识蒸馏，以降低计算成本确保语义质量和对齐，在六个基准测试中表现优于最先进的方法。 AI

影响 该方法提供了一种更具计算效率的方式来识别数据中的新类别，有可能提高 AI 系统的泛化能力。

排序理由 该集群包含一篇详细介绍广义类别发现新方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• DagsHub
• Generalized Category Discovery
• Gotit.pub
• Hugging Face
• Lorenzo Caselli
• ScienceCast
• SpectralGCD

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →