本文通过解密 novel class discovery (NCD) 的假设，找到高级语意特征应该在已知和未知类之间共享。基于此发现，我们可以通过 meta-learning 算法对 NCD 问题进行经验性解决，在实验中表现出了显著的特性。

Feb, 2021

本研究建立了一个称为 transfer flow 的新度量标准，通过构建一个各种语义相似度的大型基准测试，研究表明对于不同层次的语义相关性，使用纯自我监督知识可能比使用少相似标记集的监督信息更为优越，提出了偏转换流的虚拟版本作为决定是否在 NCD 中使用监督信息的实用参考。

Jun, 2023

基于部分类别空间注释数据，对已知类别进行分类和聚类及发现新类别 (Novel Categories Discovery，NCD) 解决了开放世界问题。通过硬约束和软约束相结合的方法，我们成功地实现了基于语义的新类别数据聚类。

Jul, 2023

本文旨在研究通过使用已标记类别的先前知识来推断未标记集合中的新物体类别的新类发现问题。我们引入了一个称为 UNO 的统一目标函数，以利用多视角自标记策略生成伪标签以了解已知和未知类别，从而克服了现有方法中的问题，并在几个基准测试中显着优于现有技术。

Aug, 2021

本研究提出了一种名为 NCL 的新框架，旨在学习具有判别性的表示，从而创建一个用于聚类性能的新类别发现（NCD）任务，其中，利用特征提取器生成的表示来检索和聚合伪正对，虽然大多数实例很容易通过网络进行区分，但我们通过在特征空间中混合标记和未标记的样本来生成难以区分的样本。实验证明，这两个组成部分显著提高了聚类性能，并使我们的模型在 CIFAR-100 和 ImageNet 上的聚类准确性提高 13％和 8％，远远超过现有方法。

Jun, 2021

本文提出了一种新的学习模式，称为 Novel Class Discovery (NCD)，它主要应用于无标签数据的语义分组，通过利用来自不同集合的标记实例，利用单阶段和双阶段方法来对现有 NCD 方法进行表征。我们设计了一种称为 Spacing Loss 的新型损失函数，通过多维缩放中间层来实现潜在空间的可分离性，从而提高现有 NCD 方法的效力。经过对 CIFAR-10 和 CIFAR-100 数据集的多种设置进行彻底的实验评估，证实了 Spacing Loss 的有效性。

Apr, 2022

基于先前知识，该论文提供了一个分析框架来形式化和研究已知类别如何帮助发现新的类别，通过介绍一种图论表示，引入了一种新型的 NCD 谱对比损失 (NSCL)，通过最小化该目标函数，等价于因子分解图的邻接矩阵，从而得到可证明的误差界限以及 NCD 的充分必要条件。在实证上，NSCL 在常见基准数据集上能够匹配或胜过多个强基准方法，具有吸引人的实际用途和理论保证。

Aug, 2023

这篇论文介绍了点云数据的一种新任务 NCD 的语义分割方法，通过在线聚类、不确定性估计和语义蒸馏提出了一种新的 NCD 方法，并提出了一种新的评估协议来严格评估其在点云语义分割中的性能，通过在多个数据集上进行全面评估，证明了该方法相对于其他基准方法的显著优势。

Dec, 2023

该文提出了一种名为 OpenNCD 的新的半监督开放世界的未知类别发现方法，它是一种在多个原型上进行的渐进式双层对比学习方法，该方法由两个相互增强的部分组成。首先，介绍了一种双层对比学习方法，然后提出了一个可靠的原型相似度度量方法。对三个图像数据集进行了广泛的实验，结果表明该方法在开放世界的情况下特别有效，特别是在已知类别和标签稀缺的情况下。

May, 2023

本文提出一种基于在线聚类和不确定性量化的新型类别发现方法，用于处理 3D 点云数据的语义分割，设计了新的评估协议以验证其性能优于传统方法。

Mar, 2023