提出了一种用于自学习开放世界类别的半监督学习方法，通过成对相似性损失和熵损失的结合，能够明确地自学习多个未知类别。实验证明该方法在多个常见分类基准测试中优于现有最先进基线方法，尤其在ImageNet-100数据集上取得了显著的22%改进。