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
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
通过利用预训练的视觉和语言模型(如 CLIP)的零样本能力,结合伪区域标注的外部数据源,提出了一种在 CLIP 嵌入空间中通过线性混合虚拟生成接近新颖类的代理新颖类的新颖而简单的技术,该技术能够在整体新颖类分布上改进开放词汇目标检测模型的泛化能力,并在 LVIS 和 COCO 等各种开放词汇目标检测基准上表现出优越的新颖类分类性能。
Dec, 2023
研究了一种基于层次分类框架的、更加信息化的新颖性检测方案,该方案可以使用置信校准分类器和数据重新标记等方法,找到一个新类的最接近的超级类,并为其他常用语义嵌入提供了改进的泛化零 - shot 学习性能。
Apr, 2018
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
基于等角原型表示的自适应自标记策略,通过解决弛化的最优传输问题,更有效地发现不平衡的新类别,从而有效减轻已知和新类别学习中的偏差,并在 CIFAR100、ImageNet100、Herbarium19 和大规模 iNaturalist18 数据集上取得了卓越的结果。
Aug, 2023
本文提出了 NCDwF (无遗忘新类别发现) 这一新的实际问题,并使用生成拟变量表示、基于互信息的正则化以及已知类别标识符等方法进行了研究,通过基于 CIFAR-10、CIFAR-100 和 ImageNet-1000 的实验验证了其在已有知识保留和新类别发现之间的平衡效果。
Jul, 2022
本文探讨了一种新的任务,即类增量的新类别发现(class-iNCD),提出了一种基于预训练模型的方法,利用基类特征原型和特征级别的知识蒸馏,结合自我训练聚类策略实现发现新类别,且能够识别先前已见基类别,实验结果表明该方法显著优于现有方法。
本研究提出了一种通过区域提议网络和区域分类网络的知识蒸馏来预防灾难性遗忘的方法,以持续或终身学习实时物体检测,实验结果表明该方法具有较高的 mAP 和 6 倍的推理速度提升。
Sep, 2020
该文提出了一种名为 OpenNCD 的新的半监督开放世界的未知类别发现方法,它是一种在多个原型上进行的渐进式双层对比学习方法,该方法由两个相互增强的部分组成。首先,介绍了一种双层对比学习方法,然后提出了一个可靠的原型相似度度量方法。对三个图像数据集进行了广泛的实验,结果表明该方法在开放世界的情况下特别有效,特别是在已知类别和标签稀缺的情况下。
May, 2023