摘要由 AI 生成
arXiv:2608.31107v2 发布 VeriCam，旨在解决基础模型在细粒度未知类别分类上的不足。该研究利用图像验证任务构建包含精细细节的特征空间，并通过训练模型区分同异类图像对来建立数据点间的关系图。VeriCam 采用朴素算法及 Leiden 图聚类算法的特定配置进行图聚类，并在 LPLCv2 交通监控数据集上进行验证。针对该数据集固有的拍摄设备偏差挑战，VeriCam 以标签无关方式动态识别拍摄设备，构建了公平无偏基准。在跨设备场景中，其验证基线 F1-Score 达 93.45，聚类步骤 V-Measure 得分为 80.13。所有代码已公开至 GitHub 仓库。
关键实体KEY ENTITIES
LPLCv2LeidenarXiv
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
全部报道（1）SOURCES
↗
arXiv:2608.31107v2 提出 VeriCam，旨在解决基础模型在细粒度未知类别分类上的不足。该流程利用图像验证任务构建包含精细细节的特征空间，并通过训练模型区分同异类图像对来建立数据点间的关系图。研究采用朴素算法及 Leiden 图聚类算法的特定配置进行图聚类，并在 LPLCv2 交通监控数据集上进行验证。针对该数据集固有的拍摄设备偏差挑战，VeriCam 以标签无关方式动态识别拍摄设备，构建了公平无偏基准。在跨设备场景中，验证基线 F1-Score 达 93.45，聚类步骤 V-Measure 得分为 80.13。所有代码已公开至 https://github.com/lmlwojcik/VeriCam。