Jan, 2024
基于Wasserstein距离的稀疏潜在区域扩展检测未知类别
Wasserstein Distance-based Expansion of Low-Density Latent Regions for
Unknown Class Detection
TL;DR本文提出了一种在开放集目标检测（OSOD）中解决目前状态良好的检测器将未知对象错误分类为已知类别的高置信度的显著挑战。我们提出了一种新颖的方法，在潜在空间中通过区分高密度和低密度区域来有效识别未知对象。我们的方法建立在Open-Det（OD）框架的基础上，在损失函数中引入两个新元素。这些元素增强了已知嵌入空间的聚类能力，并扩展了未知空间的低密度区域。第一个新增的元素是类Wasserstein锚（CWA），一种用于细化分类边界的新函数。第二个新增的元素是谱归一化步骤，提高了模型的鲁棒性。这些对现有的对比特征学习器（CFL）和未知概率学习器（UPL）损失函数的改进显著提高了OSOD性能。我们提出的OpenDet-CWA（OD-CWA）方法在各种开放集场景中展示了：a）开放集错误减少了约17%-22%，b）新颖性检测能力提高了1.5%-16%，c）荒野指数降低了2%-20%。这些结果对该领域表示了重大进展，并展示了我们的方法在处理开放集目标检测复杂性方面的潜力。