새로운 클래스 발견을 위한 통합된 목적 함수

본 논문에서는 새로운 클래스 발견(Novel Class Discovery, NCD) 문제를 연구합니다. NCD는 다른 하지만 관련된 클래스가 포함된 라벨이 부착된 집합의 사전 지식을 활용하여 라벨이 부착되지 않은 집합에서 새로운 객체 카테고리를 추론하는 것을 목표로 합니다. 기존 접근 방식은 일반적으로 라벨이 부착된 샘플과 라벨이 부착되지 않은 샘플 각각에 대해 특화된 손실 항을 포함하는 여러 목적 함수를 고려하여 이 문제를 다룹니다. 또한 보조 정규화 항이 자주 필요합니다. 본 논문에서는 이러한 전통적인 방식에서 벗어나, 감독 학습과 비감독 학습 간의 시너지를 증진하기 위한 UNified Objective function (UNO)를 소개합니다. 다중 시점 자기 라벨링 전략을 사용하여 의사 라벨(pseudo-labels)을 생성하며, 이를 실제 라벨(ground truth labels)과 동일하게 처리할 수 있습니다. 이로 인해 알려진 클래스와 알려지지 않은 클래스 모두에 작용하는 단일 분류 목적 함수가 형성됩니다. UNO는 그 단순함에도 불구하고 여러 벤치마크에서 현저한 성능 향상을 보여주며, CIFAR-100에서는 약 10%, ImageNet에서는 8%의 성능 향상이 이루어졌습니다. 프로젝트 페이지는 다음 주소에서 확인할 수 있습니다: https://ncd-uno.github.io.