Generalized Category Discovery
PulseAugur coverage of Generalized Category Discovery — every cluster mentioning Generalized Category Discovery across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
新框架增强AI发现新类别的能力
研究人员引入了组合原始字段（CPF-GCD），这是一个旨在改进广义类别发现（GCD）的新框架。该方法通过重塑特征空间以使潜在结构可识别，从而解决了标准视觉骨干的局限性。CPF-GCD假设所有类别都可以表示为可学习视觉原语的组合和空间排列，有效地将图像分解为可重用的原子部分及其布局。实验表明，CPF-GCD在各种GCD基线中持续提升性能，突显了低秩组合结构对于开放世界识别的重要性。
-
新的关系检索方法增强了广义类别发现
研究人员推出了一种新颖的广义类别发现（GCD）方法——关系模式一致性（RPC）。RPC通过双向知识转移明确地连接了标记和未标记数据，这与现有将这些来源分开处理的方法不同。该方法使用“一对所有”分类器进行软的ID/OOD分解，并通过分析样本与已知类别原型之间的不变关系来整合已知类别保留和类别发现机制。实验表明，RPC在各种基准测试中取得了最先进的性能。
-
PartCo框架通过零件级对应先验增强类别发现
研究人员推出PartCo，一个旨在通过整合零件级视觉特征对应来改进泛化类别发现（GCD）的新框架。该方法捕捉更细粒度的语义结构，从而实现对类别关系的更细致理解，这对于区分相似类别至关重要。PartCo与现有的GCD方法集成，并在基准数据集上展示了显著的性能提升，为该领域树立了新标准。
-
新框架应对领域迁移下的通用类别发现
研究人员开发了三种新框架，以改进在处理数据领域迁移时的通用类别发现（GCD）。这些方法调整了现有的基础模型，包括视觉和视觉-语言模型，以更好地对来自已知和未知类别的未标记实例进行分类。所提出的技术 HiLo、HLPrompt 和 VLPrompt 利用特征解耦、提示调整和跨模态一致性来有效处理语义和领域迁移。实验表明，在各种多领域迁移数据集上，与现有方法相比有了显著改进。
-
研究人员开发用于 SAR 广义类别发现的频谱引导知识迁移
研究人员开发了一个名为 MDC-guided Cross-modal Prior Transfer (MCPT) 的新框架，以改进从光学图像到合成孔径雷达 (SAR) 数据进行广义类别发现 (GCD) 的知识迁移。MCPT 框架引入了模态差异曲线 (MDC) 来量化频域中的跨模态差异。该方法利用自适应频率分词 (AFT) 和频率感知专家细化 (FER) 来细化特征并对齐跨模态的嵌入。实验表明，通过实现光学先验到 SAR 图像的更有效适…