该论文提出了去偏差区域挖掘方法来改进新类别发现和定位。通过结合类无关和类感知的目标定位方法，利用半监督对比学习和mini-batch K-means聚类来优化目标定位和特征表达。实验结果显示该方法优于其他基线方法。

本文介绍了一种半监督对比学习的训练策略，使用神经网络实现。结果表明，该方法在少样本学习方面非常有益，以 ResNet50 作为后端的 ImageNet 数据集上，以 1% 和 10% 的标记样本获得了 60.2% 和 72.1% 的 top-1 精度，比基线和以前的方法都要好。