Ein Einheitliches Ziel für die Entdeckung neuer Klassen

In dieser Arbeit untersuchen wir das Problem der Entdeckung neuer Klassen (Novel Class Discovery, NCD). NCD zielt darauf ab, neue Objektkategorien in einem nicht gekennzeichneten Datensatz durch die Nutzung von Vorwissen aus einem gekennzeichneten Datensatz zu inferieren, der verschiedene, aber verwandte Klassen enthält. Bestehende Ansätze lösen dieses Problem, indem sie mehrere Zielfunktionen berücksichtigen, die in der Regel spezialisierte Verlustterme für die gekennzeichneten und nicht gekennzeichneten Stichproben umfassen und oft zusätzliche Regularisierungsterme erfordern. In dieser Arbeit weichen wir von diesem traditionellen Schema ab und stellen eine UNifizierte Zielfunktion (UNO) zur Entdeckung neuer Klassen vor, mit dem expliziten Ziel, Synergieeffekte zwischen überwachtem und unüberwachtem Lernen zu fördern. Durch die Anwendung einer multiview-Selbstkennzeichnungsstrategie generieren wir Pseudo-Kennzeichnungen, die homogen mit den Ground-Truth-Kennzeichnungen behandelt werden können. Dies führt zu einer einzigen Klassifikationszielfunktion, die sowohl auf bekannten als auch auf unbekannten Klassen operiert. Trotz seiner Einfachheit übertrifft UNO den aktuellen Stand der Technik bei mehreren Benchmarks erheblich (~+10% auf CIFAR-100 und +8% auf ImageNet). Die Projektseite ist unter folgender URL verfügbar: https://ncd-uno.github.io.