基于基础模型的开放世界目标检测
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
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
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
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
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