نعالج مشكلة اكتشاف فئات جديدة في مجموعة صور، بالاعتماد على أمثلة مُصنفة لفئات أخرى. نقدّم نهجًا جديدًا يُسمى AutoNovel لمعالجة هذه المشكلة من خلال دمج ثلاث أفكار: (1) نقترح أن النهج الشائع في بناء تمثيل الصورة باستخدام البيانات المصنفة فقط يؤدي إلى انحياز غير مرغوب فيه، ويمكن تجنبه من خلال استخدام التعلم الذاتي (self-supervised learning) لتدريب التمثيل من الصفر على اتحاد البيانات المصنفة وغير المصنفة؛ (2) نستخدم إحصائيات التصنيف (ranking statistics) لنقل معرفة النموذج بالفئات المصنفة إلى مشكلة تجميع الصور غير المصنفة؛ و(3) نُدرّب تمثيل البيانات من خلال تحسين دالة هدف مشتركة على كلا المجموعتين المصنفة وغير المصنفة، مما يُحسّن كلاً من التصنيف المُراقب للبيانات المصنفة، وتجميع البيانات غير المصنفة. بالإضافة إلى ذلك، نقترح طريقة لتقدير عدد الفئات في الحالة التي لا يكون فيها عدد الفئات الجديدة معروفًا مسبقًا. قُمنا بتقييم AutoNovel على معايير تصنيف قياسية، وأظهرت النتائج تفوقه بشكل كبير على الطرق الحالية لاستكشاف الفئات الجديدة. علاوةً على ذلك، نُظهر أيضًا أن AutoNovel يمكن استخدامه لعملية تجميع صور بالكامل غير مُراقبة، وحقق نتائج واعدة في هذا المجال.