Fine-grained Classes and How to Find Them

在许多实际应用中，相对于反映类别之间微小差异的细粒度标签，粗粒度标签更容易获得。然而，现有的方法不能利用粗标签以无监督的方式推断细粒度标签。为弥合这一差距，我们提出了FALCON，一种能够从粗标记数据中发现细粒度类别的方法，无需在细粒度级别进行任何监督。FALCON同时推断未知的细粒度类别和粗细粒度类别之间的潜在关系。此外，FALCON是一种模块化方法，可以有效地从多个使用不同策略标记的数据集中学习。我们在八个图像分类任务和一个单细胞分类任务上评估了FALCON。FALCON的表现大幅优于基线方法，在具有600多个细粒度类别的tieredImageNet数据集上，比最佳基线方法提高了22%。

本论文旨在解决从具有粗略标签的数据中无监督地推断细粒度标签的问题，同时推断粗略标签和细粒度标签之间的关系。

FALCON是一种模块化方法，可以同时推断未知的细粒度类别和粗略类别与细粒度类别之间的关系。相比现有的方法，FALCON可以利用粗略标签无监督地推断细粒度标签，具有较好的性能。

论文在8个图像分类任务和单细胞分类任务上评估了FALCON的性能，并取得了比基线方法更好的结果。同时，FALCON是一种模块化方法，可以应用于多个数据集，并且可以处理不同的标注策略。论文还开源了代码。

与本论文相关的研究包括基于聚类的方法和基于生成模型的方法。