TALON：面向在线类别发现的测试时自适应学习

面向在线类别发现（OCD）的任务旨在识别已知类别的同时，从无标签的在线数据流中同时发现新类别，仅使用在离线训练时获得的标注数据。现有方法冻结在离线训练时获得的特征提取器，采用基于哈希的框架将特征量化为二元代码作为类别原型。然而，由于完全忽视新到达数据的学习潜力，使用固定知识库发现新类别显然不合常理。此外，特征量化引入信息损失，削弱了表示的表达性，并放大了类内方差。这往往导致类别爆炸，即单个类别被分割成多个伪类。为克服这些限制，我们提出一种测试时适应框架，使其能够通过发现进行学习。它包含两种互补策略：语义感知的原型更新和稳定的测试时编码器更新。前者动态地细化类别原型以增强分类，而后者将新信息直接集成到参数空间中。通过这些组件，模型能够与新遇到的样本持续扩展其知识库。此外，我们在离线阶段引入了基于间隔的logit校准，以扩大类别间的间隔并提高类内的紧凑性，从而为未来的类别发现预留嵌入空间。在标准OCD基准测试上进行的实验表明，我们的方法在显著优于现有基于哈希的SOTA方法，显著提高了新类别的准确率，并有效缓解了类别爆炸问题。代码已公开available at \textcolor{blue}{https://github.com/ynanwu/TALON}。