随机框是开放世界目标检测器
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
本文提出了基于开放世界目标检测(Open World Object Detection)的实验设置和基准原则,设计了两个公平的 OWOD 问题特定的评估协议,推出了一个包含辅助 Proposal ADvisor(PAD)和类别特定排除分类器(CEC)两部分的新型有效的 OWOD 框架,在公平的 OWOD 基准测试中,取得了优于其他现有物体检测方法的表现和新的度量方法。
Jan, 2022
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
本文研究在目标检测中如何应对训练集中未出现的物体,提出了一种称为 Open World Detection (OWD) 的解决方案,并探究了将 Open-World Proposals (OWP) 应用于全卷积单阶段检测网络的可能性和优化方式,实验结果表明该方法在处理未知类别时召回率可提高 6%,且相对于双阶段检测网络,该方法可更好地保持分类性能。
Jan, 2022
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
通过引入一种新型的端到端基于 transformer 的框架 OW-DETR,其中包括 attention 驱动的伪标签、新颖性分类和对象得分三个组件,用于解决开放世界目标检测 (OWOD) 的挑战,在 MS-COCO 和 PASCAL VOC 数据集上的广泛实验表明,该模型表现出优秀的性能,能够从已知类中传递知识到未知类中,能够更好地鉴别未知对象和背景。
Dec, 2021
本研究提出一种方法,从大规模图像 - 字幕对中自动生成多样物体的伪包围框注释,以扩大训练基础类别的范围,并通过实验证明该方法在各种数据集上比最先进的开放词汇检测器有更好的检测结果。
Nov, 2021
开放环境识别(OWR)是一个新兴领域,使得机器学习模型能够拒绝未知样本,并进行管理,逐步将新样本添加到基础知识。本研究提出了一个评估协议,用于估计模型在内域未知类和外域未知类之间分离能力,通过传统迁移学习、自动化机器学习(AutoML)和最近类均值(NCM)分类器与 First Integer Neighbor Clustering Hierarchy(FINCH)相结合的方法,通过对垃圾、食品、狗、植物和鸟类等五个不同领域进行实验,结果表明所有方法都可以作为一个良好的准确性基线,并且预训练模型的平衡准确率(BACCU)得分有可能在一个或多个感兴趣领域中表现出色,同时强调了预训练模型中的有效表示对于识别相同领域的未知类很重要,进一步拓展了开放环境识别在领域特定任务中的应用前景。
Dec, 2023
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