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。发表于：。本研究解决了在部分标记数据集中进行通用类别发现时，未标记样本可能来自不同域的问题。我们提出的HiLo网络通过提取高层语义和低层域特征，并减少表示之间的 mutual information，以确保语义聚类与域信息聚类相互独立。此外，结合特定的域增强和课程学习方法，实验证明HiLo在所有评估中的表现显著优于现有模型。
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。
