摘要

本文研究了新类别发现（Novel Class Discovery, NCD）的问题。NCD 的目标是在未标记的数据集中推断出新的对象类别，通过利用已标记数据集中不同但相关的类别的先验知识来实现这一目标。现有的方法通常通过考虑多个目标函数来解决这个问题，这些函数通常涉及针对已标记样本和未标记样本分别设计的专门损失项，并且经常需要辅助正则化项。在本文中，我们偏离了这种传统方案，引入了一种统一的目标函数（UNified Objective function, UNO），用于发现新类别，其明确目的是促进监督学习和无监督学习之间的协同作用。通过采用多视图自标签策略，我们生成了可以与真实标签同质处理的伪标签。这导致了一个单一的分类目标函数同时作用于已知和未知类别。尽管其简单，但在多个基准测试中，UNO 显著优于现有方法（在 CIFAR-100 上提升约 10%，在 ImageNet 上提升 8%）。项目页面可访问：https://ncd-uno.github.io。