面向新型类别发现：皮肤病变新型聚类研究

现有的深度学习模型在从皮肤镜图像中识别皮肤病方面已取得可喜性能。然而，这些模型只能识别来自预定义类别的样本，当它们部署于临床时，来自新未知类别的数据不断出现。因此，从新数据中自动发现并识别新的语义类别至关重要。本文中，我们提出一种新的新型类别发现框架，基于已知类别的知识从皮肤镜图像数据集中自动发现新的语义类别。具体而言，我们首先使用对比学习基于来自已知与未知类别的所有数据学习鲁棒且无偏的特征表示。然后我们提出一种不确定性感知的多视角交叉伪监督策略，该策略利用自标注策略生成的伪标签在所有类别数据上联合训练。最后，我们通过局部样本相似度聚合邻域信息进一步精炼伪标签，以提升模型对未知类别的聚类性能。我们在皮肤学数据集 ISIC 2019 上进行了大量实验，实验结果表明我们的方法能有效利用已知类别的知识发现新的语义类别。我们还通过大量消融实验进一步验证了不同模块的有效性。我们的代码将很快发布。