跨域新类发现的专属风格去除

作为 open-world learning（开放世界学习）中的一个 promising field（前沿领域）， Novel Class Discovery（新类发现，NCD）通常是一种 task（任务），旨在基于 labeled data（标记数据） within（位于）同一 domain（域）中的 prior knowledge（先验知识）对 unlabeled set（未标记集合）中的 unseen novel classes（未见新类）进行 clustering（聚类）。然而，existing NCD methods（现有 NCD 方法）在 novel classes（新类） sampled（抽取）自 different distribution（不同分布）与 labeled ones（标记数据）时可能严重受限。本文探索并确立了在 necessary condition（必要条件）下进行 cross domain setting（跨域设置）的 NCD 可解性，即需要去除 style information（风格信息）。基于 theoretical analysis（理论分析），我们引入 exclusive style removal module（专属风格去除模块），用于提取 distinct from（区别于）baseline features（基准特征）的 style information（风格信息），从而 facilitate（促进） inference（推理）。此模块易于与其他 NCD methods（其他 NCD 方法）集成，作为 plug-in（插件）以提升在 novel classes（新类）与 labeled set（标记集合）分布不同的 performance（性能）。此外，鉴于 different backbones（不同主干网络）和 pre-training strategies（预训练策略）对 NCD methods（NCD 方法） performance（性能）的 non-negligible influence（显著影响），我们构建了一个 fair benchmark（公平基准）用于 future NCD research（未来 NCD 研究）。在 three common datasets（三个常用数据集）上的 extensive experiments（大量实验）表明，我们提出的 style removal strategy（风格去除策略）有效且高效。