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

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

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

本文提出了一种无监督类增量学习方法，用于在无标签集上发现新类别，通过在有标签数据集上微调特征提取器和代理锚点，并在无标签数据集上对样本进行旧类别和新类别的划分和聚类，并利用基于代理锚点的示例生成代表性类别向量以减轻灾难性遗忘，实验证明，我们提出的方法在真实场景下的细粒度数据集上优于现有技术手段。

Jul, 2023

本文提出了 NCDwF (无遗忘新类别发现) 这一新的实际问题，并使用生成拟变量表示、基于互信息的正则化以及已知类别标识符等方法进行了研究，通过基于 CIFAR-10、CIFAR-100 和 ImageNet-1000 的实验验证了其在已有知识保留和新类别发现之间的平衡效果。

Jul, 2022

提出一种基于已知类别知识自动发现皮肤镜图像数据集中新语义类别的新颖类别发现框架，借助对已知类别知识的学习，采用对比学习和多视角交叉伪监督策略来建立特征表示，并通过众包和本地样本相似性聚合来改进模型的聚类性能。在 ISIC 2019 皮肤科数据集上进行广泛实验，结果表明，该方法能够有效利用已知类别知识发现新的语义类别。

Sep, 2023

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

基于等角原型表示的自适应自标记策略，通过解决弛化的最优传输问题，更有效地发现不平衡的新类别，从而有效减轻已知和新类别学习中的偏差，并在 CIFAR100、ImageNet100、Herbarium19 和大规模 iNaturalist18 数据集上取得了卓越的结果。

Aug, 2023

本文探讨了一种新的任务，即类增量的新类别发现（class-iNCD），提出了一种基于预训练模型的方法，利用基类特征原型和特征级别的知识蒸馏，结合自我训练聚类策略实现发现新类别，且能够识别先前已见基类别，实验结果表明该方法显著优于现有方法。

Jul, 2022