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

该研究考虑了在图像集合中发现新对象类别的问题，使用先前的相关但不同的图像类别的先验知识降低聚类的歧义，改善新发现类别的质量，其中使用了 Deep Embedded Clustering、传输学习、表示瓶颈、时间集成、一致性和类别估计等多种技巧，并在 ImageNet、OmniGlot、CIFAR-100、CIFAR-10 和 SVHN 等许多基准测试中显著优于现有技术。

Aug, 2019

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

本文提出一种两步法的图像无监督分类方法，通过自我监督学习获取具有语义意义的特征，然后将其作为可学习聚类方法的先验，达到优化图像聚类的效果。实验证明，该方法大幅优于现有最先进方法，并在大规模图像分类数据集 ImageNet 上取得了有希望的结果。

May, 2020

本文介绍了一种使用排序作为代理任务的自监督学习方法，以及一种有效的后向传播技术，使用该方法可以在标记数据和无标记数据上同时进行回归任务和排序任务的训练，结果表明使用自监督学习可以在图像质量评估（IQA）和人群计数方面实现更好的结果，并且利用无标记数据的信息量衡量方法可以使半监督学习方法的标记代价降低 50％。

Feb, 2019

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

本研究探讨使用半监督学习方法在训练集中加入未标记的新类图片，以提高表示学习在搜索新类别图片时的效率，并提出了一种新的评估方法来评估基于半监督学习方法的表示学习，在语义差异较大时，相比于传统监督学习，基于半监督学习的表示学习可以在搜索新类别图片时取得更好的效果。

Aug, 2022

本文提出了一种增量学习方法，将聚类和分类步骤统一在单个算法中，以发现在规则化风险最小化框架下的最大视觉子类，这可在计算机视觉任务的语义类别中增加对外观不同的视觉子类的识别，同时发现 DPM 等物体检测方法无法利用这些视觉子类中的 50% 的训练样本。

May, 2014

该论文探讨了如何在单模态和多模态数据中发现新类别，提出了一种基于自监督表征学习的端到端框架来处理带有来自不同但相关类别的标签的数据，通过 WTA 哈希算法生成伪标签以更好地预测聚类分配结果，并在多个标准基准测试集上取得了最先进的成果。

Apr, 2021