探索几何线索以检测开放世界中的物体

ICLRDec, 2022

探索几何线索以检测开放世界中的物体

GOOD: Exploring Geometric Cues for Detecting Objects in an Open World

Haiwen Huang, Andreas Geiger, Dan Zhang

TL;DR本文提出了一种基于几何线索的开放式物体检测方法 GOOD（Geometry-guided Open-world Object Detector），使用深度和法线等几何线索来伪标记未标记的新物体，从而显著提高新物体类别的检测召回率，通过在 COCO 数据集上使用单一的 “人” 类别进行训练，GOOD 在 AR@100 上相对于 SOTA 方法提高了 24％，达到了 5.0％的改进。

Abstract

We address the task of open-world class-agnostic object detection, i.e., detecting every object in an image by learning from a limited number of base object classes. State-of-the-art RGB-based models suffer from overfitting the training classes and often fail at detecting novel-looking objects. This is because RGB-based models primarily rely on appearance si

open-world object detection geometric cues pseudo-labeling novel object categories cooc dataset

发现论文，激发创造

基于 RGB-D 图像学习丰富特征的物体检测和分割

本文研究使用语义丰富的图像和深度特征进行 RGB-D 图像目标检测问题。我们提出了一种新的地心嵌入深度图像的方法，该方法编码了每个像素相对于地面的高度和重力角度，以及水平视差。我们证明了这种地心嵌入方法比使用原始深度图像更适用于使用卷积神经网络进行特征表示学习。最后，我们使用对象检测器的输出在现有的超像素分类框架中进行语义场景分割，并在我们研究的对象类别中实现了 24％的相对改进。

Jul, 2014

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

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

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

基于关键点几何推理的单目三维物体检测

本篇研究提出了一种基于关键点的方法，利用单个 RGB 图像进行三维目标检测和定位，该网络基于 2D 关键点检测和几何推理方法，同时估计 2D 特征和全局 3D 姿态，最终在 KITTI 数据集中达到了最好的性能表现。

May, 2019

走向开放世界的主动学习：三维物体检测

通过 OpenCRB 策略，本研究在 3D 目标检测中实现了相对较低的标注成本，并且在识别未知和已知目标类别方面表现出优越性和灵活性。

Oct, 2023

开放世界中的半监督目标检测

在这篇论文中，我们提出了一个名为 Open World Semi-supervised Detection（OWSSD）的框架，该框架通过一种轻量级的自编码器网络对进行过 ID 数据训练从而有效地检测 OOD 数据，并从中学习，我们通过大量评估表明我们的方法在与最先进的 OOD 检测算法的竞争中表现出色，并显著改善了开放世界场景下的半监督学习性能。

Jul, 2023

基于 RGBD 感知的语义分割增量式类别发现

本文提出了一种使用 RGBD sensing 的增量学习方法来进行开放式世界的语义分割，使用三维地图表示方法来标记没有语义标签的区域，实现对新的物体类别的识别及聚类。通过实验验证，该方法能够正确聚类已知和未知类别的对象，并且比现有的监督式方法具有更快的处理时间及更高的性能。

Jul, 2019

利用投影建模学习基于几何引导的深度，实现单目三维物体检测

本篇研究提出一种基于几何建模的投影模型方法，用于改进单目三维物体检测中的深度估计问题，实验证明该方法使得检测性能得到了显著提升。

Jul, 2021

概率和几何深度：透视中的物体检测

该文通过构建几何相关图，利用概率表示来解决单目三维检测的问题，从而提高了检测性能并保持实时性的有效性。

Jul, 2021