SECOS：面向开放世界半监督学习中严格分类的语义捕获
计算机视觉与模式识别
2026-05-01 v1
摘要
在开放世界半监督学习（OWSSL）中，模型从包含已知类和新类的有标签数据和无标签数据中学习。在实际的OWSSL应用中，期望模型通过直接从候选集中为每个样本选择语义最相关的标签来执行严格分类。现有的OWSSL方法无法实现这一点，因为新类样本在没有显式监督的情况下进行训练，且这些方法缺乏提取潜在语义信息的机制，导致预测的标签与候选文本标签没有语义对应关系。为了解决这个问题，我们提出了面向开放世界半监督学习的语义捕获（SECOS），它无需后处理即可直接从候选集中预测文本标签，满足实际OWSSL应用的要求。SECOS利用外部知识为已知类和新类提取并对齐跨模态的语义表示，为训练新类提供显式的监督信号。大量实验表明，即使现有OWSSL方法在更宽松的事后匹配设置下进行评估，SECOS在没有此类辅助的情况下仍能超越它们高达5.4%，突显了其优越的有效性。代码可在https://github.com/ganchi-huanggua/OSSL-Classification获取。
引用
@article{arxiv.2604.27596,
title = {SECOS: Semantic Capture for Rigorous Classification in Open-World Semi-Supervised Learning},
author = {Hezhao Liu and Jiacheng Yang and Junlong Gao and Mengke Li and Yiqun Zhang and Shreyank N Gowda and Yang Lu},
journal= {arXiv preprint arXiv:2604.27596},
year = {2026}
}
备注
Accepted by CVPR 2026