跨域开放世界发现

在许多实际应用场景中，测试数据常常出现类别迁移，这表现为新类的出现，以及由于特征分布不同于模型训练时所使用的分布而引起的分布迁移。然而，现有方法要么在开放世界环境中发现新类，要么假设存在域迁移但无法发现新类。本文考虑一种跨域开放世界发现设置，即目标是在域迁移下对样本分配到已见类，并发现未见类。为解决这一具有挑战性的问题，我们提出了 CROW，这是一种基于原型的方法，通过引入由基础模型构建的良好结构化表示空间，实现一种基于聚类-匹配策略。如此，CROW 通过稳健地将聚类与先前看到的类匹配，随后通过为跨域开放世界发现设计的目标函数对表示空间进行微调来发现新类。大量实验结果表明，在图像分类基准数据集上，CROW 超过了替代基线方法，在 75 个实验设置中实现了平均 8% 的性能提升。