CVPRApr, 2022

面向开放集合目标检测与发现

PDF
TL;DR本文提出了 OSODD 任务，使用开放式对象检测器识别未知对象的同时，基于其视觉外观无需人力，进一步发现未知对象的类别。我们提出了使用开放式对象检测器预测已知和未知对象的两阶段方法，然后以无监督的方式研究预测对象的表示，并从未知对象集合中发现新类别。在完整的评估协议下展示了我们模型在 MS-COCO 数据集上的性能。这项工作将促进更加强健的实际检测系统的研究。
open-set object detection and discoveryosoddincremental learningunsupervised mannerms-coco dataset
发现论文，激发创造
  • 扩展低密度潜在区域以进行开放式物体检测

    提出了一种基于对潜在空间中低密度区域的分离，通过 OpenDet 具有扩展的低密度区域来识别未知物体的方法，此方法包括一个对已知类别进行对比特征学习的 CFL 及一个基于预测的不确定性优化未知概率的 UPL，实验证明此方法可以显著提高 OSOD 性能。

    Mar, 2022

  • 无监督识别未知物体的开放世界物体检测

    该研究论文提出了一种新颖的方法，通过学习无监督的辨别模型来识别真实的未知对象，并通过无分类训练方法对模型进行进一步改进，实现在检测未知对象方面显著优于先前的方法，在 MS COCO 数据集上保持检测已知对象类别的竞争性表现，并在 LVIS 和 Objects365 数据集上实现更好的泛化能力。

    Aug, 2023

  • 在线开放式半监督物体检测：基于半监督异常点过滤的方法

    本文提出了一种新的端到端在线架构来改进和提高开放集装箱半监督目标检测的性能和效率，并在 COCO 数据集上取得了最佳表现。

    May, 2023

  • 半监督开放世界物体检测

    本研究提出了一种名为 SS-OWOD 的半监督开放世界检测方法，该方法通过减少注释成本，利用特征对齐和伪标签策略在遥感物体检测中取得了良好的效果。

    Feb, 2024

  • 面向开放集合相机三维物体检测

    通过提出的 OS-Det3D 框架，利用特定训练的 3D 物体发现网络（ODN3D）和联合目标性选择（JOS）模块，提高相机 3D 检测器在鉴别已知和未知对象方面的能力，并在 nuScenes 和 KITTI 数据集上进行实验证明了该框架的有效性。

    Jun, 2024

  • 提案层次的无监督域自适应方法用于开放世界无偏探测器

    本研究旨在通过重新定义任务的方式，在无监督域适应的条件下构建一个无偏的前景预测器，利用领域内不变的前景特征学习预测器，从而实现对外观变化的应对能力，本方法在各种检测框架和无监督域适应方法中可实现自适应，经 OWOD 评估验证其在性能上达到了最新水平。

    Nov, 2023

  • 通过判别类原型学习的开放世界物体检测

    基于原型学习的开放世界目标检测方法 OCPL，包括 PEA、ESC、CSC 三个模块，用于学习已知类别的鉴别性嵌入以区分已知和未知类别，相关实验结果验证了该方法的有效性。

    Feb, 2023

  • 半监督遥感图像目标检测中的非策划未标记数据

    我们在遥感图像目标检测中探讨了一种在未筛选的未标记数据上进行半监督学习的方法，该方法使用标记的分布数据动态构建类别特征库，并通过与特征库中的条目进行比较计算 OOD 分数，有效过滤 OOD 样本。通过在 DIOR 和 DOTA 两个广泛使用的遥感目标检测数据集上进行的实验，我们证明了我们提出的方法在 RSIs 中实现开放集半监督目标检测方面具有卓越的性能和效果。

    Oct, 2023

  • P-ODN：基于原型的开放深度网络用于开放集识别

    本文提出原型为基础的开放式深度神经网络（P-ODN）进行开放集识别任务，将原型和原型半径一起训练，指导卷积神经网络获取更具有辨别性的特征，并采用基于特征和原型之间的距离度量的多类三元组阈值方法检测未知，从而动态包含新类别，实验结果表明，P-ODN 可以有效地检测未知，并且只需要少量的样本进行人工干预来识别新类别。

    May, 2019

  • UC-OWOD: 未知类别的开放世界目标检测

    本文提出了一种新的 Open World Object Detection 问题，称为 Unknown-Classified Open World Object Detection (UC-OWOD)，并构建了两个阶段的目标检测器，以解决它所涉及的未知分类问题，并设计了两个新的评估协议用于评估未知类别检测的有效性。

    Jul, 2022