走向开放世界的主动学习:三维物体检测
研究提出了一种基于 Crb 框架的主动学习方法,使用新颖的标签简洁性、特征代表性和几何平衡构成的三个标准来筛选信息量最高的未标注的点云数据,从而提高基于 LiDAR 的三维目标检测的效率和性能。
Jan, 2023
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
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
ALWOD 是一种综合使用主动学习、弱监督学习和半监督学习范式的新框架,通过利用极小标记集合和大型弱标记图像集合的辅助图像生成策略来初始化模型,利用学生 - 教师目标检测对的不一致性和不确定性来选择最有信息量的图像进行注释,并引入了一种新的标注任务,基于模型提出的检测进行人工标记的选择和修正,实现了快速而有效的标注过程,从而显著缩小了只使用部分标记但经过策略选择的图像实例进行训练的目标检测模型和仅依赖完全标记数据进行训练的模型之间的差距。
Sep, 2023
本研究结合活性学习和增量学习的方法,提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准,并探讨在样本选择过程中如何解决类别不平衡问题,通过系统评估在 PASCAL VOC 2012 数据集上,实现对新未标注数据集的持续探索。
Sep, 2018
本研究提出了一种主动学习的方法,通过使用 RGB 图像生成的 2D 区域提案来减少目标搜索空间并加快学习过程,从而训练一个具有最少标记训练数据的 LiDAR 3D 目标检测器。实验结果表明,该方法在不同的不确定性估计和查询功能下都能正常工作,并可以节省多达 60% 的标注工作量,同时达到相同的网络性能。
Jan, 2019
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