SelEx：细粒度广义类别发现中的自我专业化
内容提要
本研究提出了一种基于粗糙标注的细粒度类别发现方法，结合自对比学习和有监督学习，以降低标记成本并提高聚类准确性。通过动态概念对比学习和自平衡协助对比框架，增强了细粒度类别的发现能力。此外，研究还提出了主动广义类别发现和正则化参数InfoMax方法，显著提升了未知类别的识别性能。实验结果验证了这些方法的有效性。
延伸解读
降低标注成本的新思路
文章提出基于粗糙标注的细粒度类别发现（FCDC），旨在仅使用粗粒度标签发现细粒度类别。这种方法能适应已知类别的不同粒度，并显著降低标注成本。对于需要细粒度识别但标注资源有限的应用场景，FCDC提供了一种经济高效的解决方案。
动态概念对比学习提升聚类精度
动态概念对比学习（DCCL）通过交替估计视觉概念和学习概念表示，有效提高了聚类准确性。实验表明，DCCL在通用和细粒度视觉识别数据集上均取得新的最优表现，尤其在细粒度任务上优势明显。这为细粒度类别发现提供了新的技术路径。
自平衡协助对比框架解决分布不可知问题
自平衡协助对比框架（BaCon）包含对比学习分支和伪标签分支，协同提供交互式监督，以解决分布不可知的广义类别发现任务。在长尾开放世界环境中，BaCon能生成针对接近集和开放集类别的细粒度预测，并在多个数据集上表现出卓越性能。
正则化参数InfoMax显著提升未知类识别
正则化参数InfoMax（RPIM）方法通过伪标签监督未标记样本，并引入正则化确保伪标签质量。实验显示，RPIM在未知类识别上平均超越现有技术3.5%，同时通过语义偏差转换优化特征，减少计算成本。这为广义类别发现中的未知类识别提供了有效改进。
Q&A
什么是基于粗糙标注的细粒度类别发现？
基于粗糙标注的细粒度类别发现是一种通过使用粗糙标记数据来发现细粒度类别的方法，旨在降低标记成本并适应不同粒度的类别。
动态概念对比学习（DCCL）框架的作用是什么？
DCCL框架通过交替估计视觉概念和学习概念表示，有效提高了聚类准确性，尤其在细粒度识别上表现优异。
自平衡协助对比框架（BaCon）如何解决广义类别发现中的问题？
BaCon框架通过对比学习和伪标签分支协同工作，提供交互式监督，解决了广义类别发现任务中的分布不可知问题。
主动广义类别发现（AGCD）有什么特点？
AGCD通过主动选择有限数量的有价值样本进行标注，旨在改善广义类别发现的性能。
正则化参数InfoMax（RPIM）方法的优势是什么？
RPIM通过伪标签监督未标记样本，显著提高了未知类的识别性能，超过现有技术的3.5%。
HiLo网络在类别发现中有什么创新之处？
HiLo网络通过提取高层语义和低层域特征，确保语义聚类与域信息聚类独立，显著优于现有模型。
