AutoNovel: 자동으로 새로운 시각적 카테고리 탐지 및 학습

이미지 컬렉션 내에서 다른 클래스의 레이블링된 예시가 주어졌을 때 새로운 클래스를 탐지하는 문제를 다룹니다. 우리는 이 문제를 해결하기 위해 세 가지 아이디어를 결합한 새로운 접근법인 AutoNovel을 제안합니다. (1) 레이블링된 데이터만을 사용하여 이미지 표현을 부트스트랩하는 기존의 접근 방식은 원치 않는 편향을 유발할 수 있으며, 이 편향은 레이블링된 데이터와 비레이블링된 데이터의 합집합을 대상으로 자기지도 학습(self-supervised learning)을 통해 표현을 처음부터 훈련함으로써 회피할 수 있음을 제안합니다. (2) 레이블링된 클래스에 대한 모델의 지식을 비레이블링된 이미지의 클러스터링 문제로 전이하기 위해 순위 통계(ranking statistics)를 활용합니다. (3) 레이블링된 데이터와 비레이블링된 데이터 하위 집합에 대해 공동 목적 함수(joint objective function)를 최적화함으로써 데이터 표현을 훈련함으로써, 레이블링된 데이터의 감독 분류 성능과 비레이블링된 데이터의 클러스터링 성능을 동시에 향상시킵니다. 또한, 새로운 카테고리의 수가 미리 알려지지 않은 경우를 대비하여 클래스 수를 추정하는 방법을 제안합니다. AutoNovel은 표준 분류 벤치마크에서 평가되었으며, 기존의 새로운 카테고리 탐지 방법들보다 상당히 우수한 성능을 보였습니다. 더불어, AutoNovel이 완전히 비지도 이미지 클러스터링에도 적용 가능함을 보여주며, 유망한 결과를 달성함을 확인하였습니다.