本回购包含我们票据的代码：广义类别发现

给定一个数据集，其中一些数据被标记为，广义类别发现是任务将类别分配给所有未标记的实例。未标记的实例可能来自已标记或“New”类。

💥 1.更新

🏃 2.运行

🔢 3.结果

📋 4.引文

• 我们引入了一个更严格的评估指标——在计算ACC时，我们只对所有未标记数据计算一次匈牙利算法。
  • 然后使用这组线性赋值计算“旧”和“新”类子集的ACC（见附录E）
  • 实际上，这涉及在中从“v1”转换为“v2”评估./project_utils/cluster_and_log_utils.py

pip安装-r要求.txt

在中设置数据集、预训练模型和所需日志目录的路径配置.py

设置保存DIR（日志文件目标）和蟒蛇（python解释器的路径）bash_scripts脚本。

我们在本文中使用了细粒度的基准测试，包括：

• 语义转换基准（SSB）和药房19

我们还使用通用对象识别数据集，包括：

• CIFAR-10/100号和ImageNet公司

列车表示:

bash bash_scripts/contrastive_train.sh

提取特征：提取特征以准备半监督k-means。这将需要更改用于提取特征的模型的路径预热模型目录

bash bash_scripts/extract_features.sh

适合半监督k均值:

bash bash_scripts/k_meas.sh

在旧的评估指标（“v1”）下，我们发现半监督k-means持续提高性能在“旧”和“新”数据子集上超过标准k-means。当我们改为“v2”评估时，我们重新评估了表{2,3,5}中的模型（包括消融）并更新数据。

然而，最近我们发现SS-k-means对“v2”下的错误初始化很敏感，并且可以有时降低在一些数据集上的性能。增加SS-k-means的init数会有所帮助。我们现在正在对此进行进一步调查-欢迎提出建议和公关！

与报告数字相比，使用此回购重新运行模型的结果：

如果您在研究中使用此代码，请考虑引用我们的论文：

@会议记录{vaze2022gcd，title＝{广义类别发现}，author={Sagar Vaze和Kai Han以及Andrea Vedaldi和Andrew Zisserman}，booktitle={IEEE计算机视觉和模式识别会议}，年份={2022}}