AutoNovel: Automatisches Entdecken und Lernen neuer visueller Kategorien

Wir behandeln das Problem der Entdeckung neuer Klassen in einer Bildsammlung, gegeben Labels für andere Klassen. Wir präsentieren einen neuen Ansatz namens AutoNovel, um dieses Problem zu lösen, indem wir drei Ideen kombinieren: (1) Wir zeigen, dass der gängige Ansatz, eine Bildrepräsentation allein auf Basis der gelabelten Daten zu bootstrappen, eine unerwünschte Verzerrung einführt, die durch die Verwendung von selbstüberwachtem Lernen zur Trainingsbeginn der Repräsentation auf der Vereinigung aus gelabelten und ungekennzeichneten Daten vermieden werden kann; (2) Wir nutzen Rangstatistiken, um das Modellwissen über die gelabelten Klassen auf das Problem der Clustering ungekennzeichneter Bilder zu übertragen; und (3) Wir trainieren die Datensrepräsentation durch Optimierung einer gemeinsamen Zielfunktion auf den gelabelten und ungekennzeichneten Teilmengen der Daten, wodurch sowohl die überwachte Klassifikation der gelabelten Daten als auch das Clustering der ungekennzeichneten Daten verbessert werden. Zudem schlagen wir eine Methode vor, die Anzahl der Klassen zu schätzen, falls die Anzahl der neuen Kategorien a priori nicht bekannt ist. Wir evaluieren AutoNovel an etablierten Klassifikationsbenchmarks und erreichen signifikant bessere Ergebnisse als aktuelle Methoden für die Entdeckung neuer Kategorien. Darüber hinaus zeigen wir, dass AutoNovel auch für vollständig unsupervisionierte Bildclustering verwendet werden kann und dabei vielversprechende Ergebnisse erzielt.