본 논문은 기존 레이블 데이터를 활용하여 새로운 클래스를 지속적으로 식별하는 Rehearsal-Free Continual Category Discovery (RF-CCD) 문제를 다룹니다. 기존 방법들은 기본 모델의 잠재력을 간과하고 처음부터 학습하거나, 망각을 방지하기 위해 데이터 저장에 의존하는 경향이 있습니다. RF-CCD는 지속적 학습과 새로운 클래스 발견을 모두 포함하기 때문에, 기존 접근 방식은 이러한 분야의 고급 기술을 효과적으로 통합하는 데 어려움을 겪어 설득력 있는 비교가 부족하고 RF-CCD가 제기하는 고유한 과제를 밝히지 못했습니다. 본 논문은 두 영역의 발전을 통합하고 광범위한 실험 및 분석을 수행하여 이러한 과제를 해결합니다. 본 연구 결과는 이러한 통합이 최첨단 결과를 달성할 수 있음을 보여주며, 사전 학습된 모델이 있을 경우, 레이블 없는 데이터 도입으로 표현이 개선되지 않고 오히려 저하될 수 있다는 결론을 이끌어냅니다. 표현 저하를 완화하기 위해, 간단하지만 매우 효과적인 기준 방법을 제안합니다. 이 방법은 먼저 알려진 범주의 사전 지식을 사용하여 새로운 클래스의 수를 추정하고, 기본 클래스에 대해 특별히 훈련된 모델을 사용하여 표현을 얻고, k-means 클러스터링을 통해 고품질 의사 레이블을 생성하며, 분류기 계층만 훈련합니다. Stanford Cars, CUB, iNat 및 Tiny-ImageNet 데이터셋을 포함한 여러 벤치마크에 대한 광범위한 실험을 통해 결론과 방법을 검증합니다. 결과는 연구 결과를 명확히 보여주고 기준 방법의 효과를 입증하며 RF-CCD의 향후 발전을 위한 길을 열어줍니다.
