ICCV 2021 Oral | 新类别发现（Novel Class Discovery）的统一目标

©作者 | 青青韶华

学校 | 中科院自动化所博士生

研究方向 | 计算机视觉

本文介绍的是来自意大利、法国和德国的研究人员共同提出的用于新类别发现（Novel Class Discovery, NCD）的新方法——Unified Objective (UNO)，通过一个统一的交叉熵函数实现了对无标签的新类别图像的分类能力，打破了以往工作中需要添加聚类目标和辅助目标的学习范式。

论文标题：

A Unified Objective for Novel Class Discovery

论文地址：

https://arxiv.org/abs/2108.08536

论文来源：

ICCV 2021 Oral

项目地址：

https://ncd-uno.github.io

简介

经典的图像分类任务根据图像是否具有类别标签主要分为三大类，一是所有图像都具有类别标签的完全有监督学习；二是所有图像都没有类别标签的完全无监督学习，通常可采用自监督学习或者聚类的方法；三是部分图像具有标签的半监督学习，在这种设定下，有标签和无标签图像的类别是共享的。

然而，在实际中，真实的情况是少量图像是带有标签，而大量图像是没有标注的，并且这些无标签图像的类别与有标签图像的类别是不重叠的。为了解决这种问题，新类别发现（Novel Class Discovery，NCD）任务应运而生。该任务旨在训练一个同时对类别不重叠的有标签和无标签图像的分类的模型。

现有方法通常采用两步走的策略，首先通过度量学习机制在有标签图像上做预训练，之后采用基于聚类的方法在无标签图像上微调。这类方法往往需要依靠聚类损失和基于数据变换的一致性损失等多种损失来驱动模型的训练。

本文另辟蹊径，认为只要能够给无标签数据打上高质量的伪标签，那么就可以采用统一的交叉熵损失来监督训练，由此提出 UNO 框架，其与以往方法的不同之处如下图所示。

NCD任务描述

在 NCD 任务中，训练数据分为两类。一类是有标签数据 ，另一类是无标签数据 ，其中 中的 和 中的 是图像，而