探索连续类目发现中多样性与判别性之间的权衡

连续类目发现 (CCD) 旨在自动发现不断到达的无标签数据中的新类。这是一个具有挑战性的问题，因为新到达的数据中没有类别数和标签的已知数量，同时也需要缓解灾难性遗忘。大多数 CCD 方法无法很好地处理新类发现与分类之间的矛盾。它们也容易在逐步发现新类的过程中积累错误。此外，大多数方法使用知识蒸馏和数据重播来防止遗忘，这占用更多的存储空间。为此，我们提出了基于独立性的多样性和正交性的判别方法 (IDOD)。IDOD 主要包括独立性丰富模块、联合发现新奇模块和正交性模块的连续增量。在独立性丰富中， backbone 采用对比损失进行独立训练，以避免其仅关注分类特征。在联合发现中，将多阶段新类发现转化为单阶段，从而降低误差累积的影响。通过正交性模块实现连续增量，生成用于分类的互斥原型，并通过代表性表示重播来防止遗忘，空间开销更低。在挑战性细粒度数据集上的实验结果表明，我们的方法在状态-of-the-art 方法中 outperform。