BriefGPT - AI 论文速递
·
HiLo：一种针对域偏移的通用类别发现学习框架
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文介绍了通用类别发现（GCD）任务及其挑战。作者提出了HiLo网络，它能够提取高级语义特征和低级领域特征，并通过最小化表示之间的相互信息来处理不同领域的图像。作者还使用领域增强和课程学习方法来扩展他们的方法，并在真实世界领域转移中重新实现了许多GCD基线。实验证明HiLo在所有评估中都优于其他类别发现模型。
🎯
关键要点
- 通用类别发现（GCD）任务要求在部分标记的数据集上对未标记实例进行分类。
- 作者挑战了GCD任务中的假设，即所有图像共享相同的领域。
- 提出了'HiLo'网络，能够提取高级语义特征和低级领域特征。
- 通过最小化表示之间的相互信息来处理不同领域的图像。
- 基于领域信息和语义信息的聚类应该是独立的。
- 使用领域增强和课程学习方法扩展了HiLo网络。
- 构建了一个基准数据集，并在DomainNet上进行了大规模评估。
- HiLo在所有评估中显著优于其他类别发现模型。
➡️
