AutoNovel：自动发现与学习新颖视觉类别

我们针对在已知其他类别标注样本的前提下，从图像集合中发现新类别这一问题展开研究。为此，我们提出了一种名为AutoNovel的新方法，该方法融合了三个核心思想：（1）我们指出，传统方法仅利用标注数据进行图像表示的自举（bootstrapping）会引入不必要的偏差，而通过在标注数据与未标注数据的并集上，采用自监督学习从零开始训练表示模型，可有效避免此类偏差；（2）我们引入排序统计（ranking statistics）机制，将模型对已知类别的知识迁移至未标注图像的聚类任务中；（3）我们通过在标注与未标注数据子集上联合优化一个目标函数，对数据表示进行训练，从而同时提升标注数据的监督分类性能与未标注数据的聚类效果。此外，我们还提出一种方法，用于在未知新类别数量的情况下，估计潜在的新类别数目。我们在标准分类基准上对AutoNovel进行了评估，结果表明其在新类别发现任务中显著优于现有方法。同时，我们还验证了AutoNovel在完全无监督图像聚类任务中的有效性，取得了具有竞争力的性能表现。