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
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
通过蒸馏视觉 - 语言模型中的开放世界知识,并提出一种权重降低的损失函数以及通过分离定位和识别来减少已知和未知对象的相互影响,我们成功地改进了未知对象的检测性能。
Dec, 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
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
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
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
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
探索利用预训练的基础模型在开放世界目标检测中使用的相关定义,引入新的具有挑战性的基准并提出一种新的方法 FOMO,进一步扩展目标检测方法以适应真实世界领域。
Dec, 2023
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。
Apr, 2022