本文针对在一个图像集合中发现新类别的问题，提出结合自监督学习、排名统计和联合目标函数优化的方法，使用带标签和未标记数据训练数据表示模型，成功应用于标准分类基准测试中，显著优于现有的方法。

Feb, 2020

利用先验知识辅助探索图像类别的一种方法是采用对弱二元成对约束的对比损失进行学习，从其他领域的数据集中学习转移相似函数，这种新颖的端到端网络将未标记的图像映射到不同的类别上，模拟一种简单的知识转移。实验证明该网络在多个大规模数据集上能够显著提高聚类效果。

Dec, 2016

本文研究了一种高度通用的图像识别场景，提出了一种名为 'Generalized Category Discovery' 的方法，使用视觉变换器、对比表示学习和半监督 k 均值方法对未标记的数据进行分类。

Jan, 2022

本文提出一种基于双分支学习架构的方法，通过对已标记数据的局部信息和整体特征进行双重排序统计来对未标记数据生成伪标签，提高视觉分类发现的性能，在多个基准数据集上测试均取得了最佳表现。

Jul, 2021

采用完全可区分的无监督深度聚类方法，仅使用未标记的对象提议，无需个体分类标签来学习语义类，建立特征表示并同时学习聚类。目前该方法仅提供分割对象性掩膜的监督，但该方法可扩展为使用无监督的目标性生成机制，从而使该方法完全无监督。

Jan, 2018

基于深度卷积神经网络的物体检测系统在许多大规模物体检测基准测试中取得了显着成就，然而，这需要大量的标注边界框来进行训练。本文通过将图像级别分类器转化为物体检测器解决了此问题，并利用来自视觉和语义领域的物体相似性知识，在将分类器转换为没有边界框注释的类别时转移此信息。实验结果表明，我们提出的基于物体相似性的知识转移方法在半监督设置下实现了最先进的检测性能。

Jan, 2018

本文提出一种名为 AutoNovel 的新方法，通过结合自监督学习、排序统计和联合目标函数优化等方法解决了在给定其他类别的标记示例的情况下发现图像集合中新类别的问题，并提出了一种估计新类别数量的方法。最终，在标准分类基准上评估 AutoNovel 并取得了显著的效果提升，同时也展示出 AutoNovel 可用于完全无监督的图像聚类。

Jun, 2021

本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

Jun, 2020

本文提出了一种新颖的基于深度学习的图像聚类框架，通过最大化互信息和使用不变性损失来学习一个分类 - 风格的潜在表征，将图像的类别信息与其样式信息分离，并将类别向量作为聚类分配的概率。实验结果表明，与现有方法相比，该方法在五个公共数据集上的表现显著优于其他方法。

Jul, 2020

该论文提出了一种新的方法，将迁移学习视为学习聚类的问题，通过相似性信息的迁移学习和聚类网络的学习，实现了跨领域和跨任务的转移学习。作者使用了相似性网络和两种新方法来探究无监督域自适应和跨任务学习，并在该领域展现了最新成果，将其与其他算法进行比较。同时，该方法可以应用于不同的数据集，从而增加了灵活性和稳健性，并通过进一步与域适应法相结合，获得了更好的性能。

Nov, 2017