Apr, 2020

通过聚类提升深度开放世界识别

PDF
TL;DR本研究中，我们展示了如何通过一种新的损失函数形式实现全局到局部聚类的类特定特征，从而提高深度开放世界识别算法的性能，并提出了一种学习类特定拒绝阈值的策略，在 RGB-D Object 和 Core50 数据集上进行了实验证明了我们的方法的有效性。
convolutional neural networksopen set recognitionincremental learningglobal to local clusteringclass-specific rejection thresholds
发现论文，激发创造
  • 知识永不足够：朝向基于 Web 辅助的深度开放世界识别

    提出一种基于深度学习架构的机器人知识动态更新方法，该方法可以在不重新训练整个系统的情况下检测和学习感知对象是否属于系统已知的类别集，并可通过手动标注或网络自动挖掘获得新的类别信息以扩展系统知识。

    Jun, 2019

  • 开放世界识别

    通过对线性变换特征空间距离单调递减函数的和进行分组来解决 “开放空间风险” 和经验风险之间的平衡，提出了开放世界识别问题，提出了一种用于评估开放世界识别系统的协议，并演示 Nearest Non-Outlier 算法如何可靠有效地处理大规模的图像数据集。

    Dec, 2014

  • 基于 LIDAR 点云的开放世界语义分割

    该研究提出了一种基于 LIDAR 点云数据的开放式语义分割任务，使用 REdundAncy cLassifier 框架解决开放式语义分割和增量学习问题，并在 SemanticKITTI 和 nuScenes 数据集上达到了最先进的性能，同步解决了灾难性遗忘问题。

    Jul, 2022

  • 包含类别相似性的开放世界语义分割

    该论文提出了一种新颖的方法，能够在没有额外训练数据的情况下，同时完成准确的封闭世界语义分割和识别新类别，还提供了每个新发现类别与已知类别的相似度度量，可在规划或映射等下游任务中提供有用信息。通过广泛的实验，我们展示了我们的模型在训练数据中已知类别以及异常分割方面取得了最先进的结果，并且能够区分不同的未知类别。

    Mar, 2024

  • 基于图神经网络的开放环境校准学习

    通过将表示紧凑性度量值集成到聚类中，我们处理开放世界识别的阈值校准问题，并提出了一种基于图神经网络的统一框架来预测假标签和 vMF 浓度，以实现更为稳健的距离阈值校准。

    May, 2023

  • 面向开放世界的目标检测

    本文介绍了一个新的计算机视觉问题：“开放领域物体检测”，其中模型的任务是在未经明确监督的情况下识别未引入的对象，并在逐步接收相应标签时增量学习这些已识别的未知类别。阐述了该问题，并提供了一种名为 ORE 的解决方案，基于对比聚类和基于能源的未知物体识别。我们的实验评估和消融研究分析了 ORE 在实现开放世界目标方面的功效。同时，我们发现确定和表征未知实例有助于减少增量对象检测设置中的混淆，我们在没有额外的方法论努力下实现了最先进的性能。希望我们的工作能吸引更多关于此全新但至关重要的研究方向的研究。

    Mar, 2021

  • 面向开放世界语义分割的深度度量学习

    本文提出了一种开放领域语义分割系统，包括两个模块：一个开放集语义分割模块来检测分布内及分布外的目标对象，和一个少样本学习模块来逐渐将这些边缘领域对象纳入已有知识库。我们采用深度度量学习网络 (DMLNet) 与对比聚类来实现开放集语义分割。相比于其他开放集语义分割方法，在三个具有挑战性的数据集上表现出最先进的性能。此外，本文还提出了两个增量少样本学习方法来逐步提高 DMLNet 的性能。

    Aug, 2021

  • 自动驾驶车辆中未知实例的识别

    本文提出了一种基于深度学习的开放式场景下点云实例分割算法，能够从点云场景中分割出不同类别的实例。实验在两个自动驾驶数据集上验证了该方法的有效性。

    Oct, 2019

  • 在线持续学习用于室内物体识别的强健性

    家用机器人上安装的视觉系统需要与不可见的类别在多变的环境中进行交互。我们提出了 RobOCLe 作为一种少样本在线持续学习模型，通过构建富化特征空间和计算样本的高阶统计矩来改善连续学习模型的鲁棒性。

    Jul, 2023

  • 深度神经网络的全面持续学习视角：被遗忘的教训和通向活跃开放世界学习的桥梁

    在本文中，我们从文献出发，对持续学习、主动学习和开放式识别等现有领域进行了综述，并提出了一种融合上述三者的方法来使深度神经网络获得鲁棒性，并通过实验证明，此方法可在避免累积性遗忘、数据筛查、任务选择等方面得到优化。

    Sep, 2020