Nov, 2023

基于对象的增量式新颖性检测与反馈循环

PDF
TL;DR提出了一种新颖的以物体为基础的新颖性检测 (Object-based Novelty Detection, ND) 框架，该框架假设可以在预测的输出上请求人类反馈，并将其后续整合以改进新颖性检测模型，而不会对主要的物体检测性能产生负面影响。通过在预训练的物体检测模型之上添加一个轻量级的 ND 模块，并通过反馈循环进行增量更新，有效地解决了此新颖性检测问题的新形式。此外，还提出了一种新的基准来评估在这种新设定下的方法，并通过与基线方法的广泛测试，展示出增加的鲁棒性和成功融合收到的反馈。
object-based novelty detectionobject detection modelhuman feedbackrefinement operationbenchmark
发现论文，激发创造
  • 阈值式新颖检测的持续改进

    在动态、开放的情境中评估时，神经网络在检测未知类别时遇到困难。本文提出了一种新方法，通过线性搜索和基于样本交叉验证选择门槛值，自动适应性地检测新颖性，从而提高 MNIST、Fashion MNIST 和 CIFAR-10 的总准确率。

    Sep, 2023

  • 通过合作的基础模型增强新颖物体检测

    我们提出了一种新颖的方法将现有的闭集检测器转化为开集检测器，并通过将 CLIP、SAM 和 GDINO 等模型进行协同来建立新的目标检测性能基准，实现对新颖对象和已知对象的准确检测。

    Nov, 2023

  • YOLOOC：基于 YOLO 的开放类增量目标检测与新类发现

    通过构建新的基准测试，我们提出了一种基于 YOLO 架构的新型 OWOD 检测器 YOLOOC，在遇到新的类别时能够自动学习并避免忘记先前已知的类别，我们引入了标签平滑技术来防止检测器过度自信地将新类别映射为已知类别，并在我们的测试基准中的广泛实验表明了我们的方法在发现新类别上的有效性。

    Mar, 2024

  • 增量式少样本目标检测

    提出了 OpeN-ended Centre nEt (ONCE) 目标检测器，旨在解决增量、少样本类别检测问题。通过将 CentreNet 检测器优雅地适应到少样本学习场景，并元学习一种适用于注册新类的类特定代码生成器模型，实现了对具有少数样本的新类对象进行学习的目标检测。

    Mar, 2020

  • 基于梯度的自监督二分类增强新颖性检测

    本文提出了一种基于自监督的新颖性检测方法，通过计算入内分布数据（in-distribution）和待检测的外部分布数据（OOD）之间的梯度马氏距离，并借助自监督二元分类器协助选择标签以优化梯度的方法，将其应用于数据监控、行为分析和其他应用，并在多个数据集上实现了比基准方法更优秀的结果。

    Dec, 2021

  • 无灾难遗忘的目标检测的增量学习

    通过使用一种新的损失函数，这篇研究提出了一种解决卷积神经网络增量学习中 “灾难性遗忘” 的问题的方法，可以在没有原始训练数据或注释的情况下适应新类别，并在 PASCAL VOC 2007 和 COCO 数据集上实现了物体检测。

    Aug, 2017

  • 多类别新颖性检测的深度迁移学习

    本研究提出了一种基于迁移学习的深度神经网络模型，通过采用新颖的成员损失函数和全局负过滤器增强了模型性能，从而实现有效的多类新颖物体检测。

    Mar, 2019

  • 针对非受限环境的检测模型泛化

    本文研究了基于印度驾驶数据集（IDD）进行物体检测的增量学习问题，提出了一种采用多个领域特定分类器和有效的迁移学习方法来避免灾难性遗忘的方法，并在 IDD 和 BDD100K 数据集上进行评估。结果表明，在环境领域移位的情况下，我们的领域适应性方法是有效的。

    Sep, 2019

  • 无偏的新类别发现和定位

    通过 Debiased Region Mining (DRM) 方法和半监督对比学习来解决目标检测中的偏见问题，提出了一种能够有效发现、定位和聚类新类别的训练器，其在 NCDL 基准测试中显著优于先前的方法，成为了新的最先进技术。

    Feb, 2024

  • OpenNet: 自动驾驶目标检测的增量学习与平衡损失

    提出了一种用于自动驾驶目标检测的方法，通过平衡损失来缓解类别不平衡，采用梯度重塑的归纳层快速学习有限样本的新类别，通过归一化特征蒸馏来防止灾难性遗忘，并通过 FPN 和基于能量的检测提高多尺度检测稳健性和未知类别识别性能，实验证明该方法在 CODA 数据集上表现出更好的性能。

    Nov, 2023