Unbiased Novel Class Discovery and Localization
内容提要
该文综述新类别发现（NCD）研究，从区域建议网络与分类器的差异出发，提出互相指导训练；NCL框架通过混合标记与未标记样本生成难分样本以提升聚类准确率；UNO统一目标函数、OpenNCD双层对比学习、双内存模块及语义相似度选样等方法，分别在开放世界、标签稀缺和大规模数据集上验证有效，并探索少样本目标检测与无分类器定位。
延伸解读
新类别发现的核心挑战与思路
新类别发现（NCD）旨在利用已知类别的知识，在无标记数据中聚类并发现新类别。文章指出，区域建议网络与分类器在面对大区域差异时存在显著差异，这促使研究者通过最小最大优化和低置信度样本差异计算，提出互相指导训练的方法。这种思路强调利用模型内部的不一致性来提升发现能力，而非单纯依赖标注数据。
提升聚类性能的关键技术
NCL框架通过在特征空间中混合标记与未标记样本生成难分样本，迫使模型学习更具判别性的表示，从而显著提升聚类准确率。实验显示，在CIFAR-100和ImageNet上，聚类准确性分别提高了13%和8%。这表明，构造难分样本是增强NCD模型泛化能力的有效策略，尤其适用于标签稀缺场景。
开放世界与标签稀缺下的进展
针对开放世界问题，OpenNCD采用渐进式双层对比学习，并引入可靠的原型相似度度量，在已知类别和标签稀缺情况下表现突出。同时，UNO统一目标函数利用多视角自标记策略生成伪标签，以学习已知和未知类别。这些方法共同推动了NCD在复杂现实环境中的实用性。
大规模数据与定位任务的拓展
为应对大规模未标注数据集，有研究利用工作内存和语义内存两个模块，在COCO数据集上实现了新物体类别的发现与定位。此外，基于Object Localization Network的无分类器定位方法，在交叉数据集上验证了其普适性。这些工作表明，NCD正从分类任务向检测与定位任务延伸，并注重实际部署的可行性。
Q&A
新类别发现（NCD）任务主要解决什么问题？
NCD旨在利用已标记类别的先验知识，对未标记数据集中的新类别进行聚类和发现，从而解决开放世界中的类别发现问题。
NCL框架如何提升聚类性能？
NCL框架通过特征提取器生成表示来检索和聚合伪正对，并在特征空间中混合标记和未标记样本生成难以区分的样本，从而显著提高聚类性能，在CIFAR-100和ImageNet上分别提升13%和8%的聚类准确率。
UNO方法在NCD中有什么作用？
UNO是一个统一目标函数，利用多视角自标记策略生成伪标签来学习已知和未知类别，克服了现有方法的问题，并在多个基准测试中显著优于现有技术。
OpenNCD方法适用于什么场景？
OpenNCD是一种半监督开放世界的未知类别发现方法，特别适用于开放世界场景，尤其是在已知类别和标签稀缺的情况下。
如何利用内存模块发现大规模未标注数据集中的新类别？
通过使用两个内存模块（工作内存和语义内存）利用先前知识，可以在大规模未标注数据集中发现和定位新物体类别，并在COCO数据集上验证了性能。
在NCD中，标记集合的语义相似度对结果有什么影响？
基于语义相似度的标记集合选取方法表明，在低相似度环境下使用标记信息可能会导致次优结果，因此需要谨慎选择标记集合。
