ICCV何恺明团队又一神作：Transformer仍有继续改善的空间(3)

，则特征向量表征为 ，其中 代表未知类的特征向量。然后再建立一个 用来存储训练过程中的临时特征向量，每个类的特征向量存在其对应位置。

最后在常规损失函数上再叠加一个对比聚类损失来达到强制降低类内差，增大类间差的效果。原文中该部分的流程图如下，其中 是不叠加对比聚类损失的轮数，用以初始化已知类别的特征向量， 表示，在迭代轮数大于 后，每轮都计算对比聚类的损失，并每 轮进行一次特征向量更新(有点像混合高斯背景建模了)：

基于RPN自动标记机制

框架的核心就是利用RPN的建议框类别无关特性，将RPN提取的置信度最高的前K个背景建议框作为位置对象的建议框位置向后传递。

基于能量的分类头

首先是基于前面提到的对比聚类将不同类别的特征表征尽量的拉开了，研究者选择对不同类别的概率密度函数进行建模，作为不同类别的区分，作者用图进行了说明。 如上所示，已知和未知数据点的能量值表现出明显的分离。研究者在每个样本上拟合Weibull分布，并使用这些分布来识别未知的已知和未知样本。