Mar, 2024

BSDP：脑启发的用于在线开放世界目标检测的流式双级扰动

PDF
TL;DR提出了一种名为 Brain-inspired Streaming Dual-level Perturbations (BSDP) 的简单即插即用方法，以在线开放世界目标检测的方式进行深度学习模型的训练，通过引入新知识而不忘记旧知识，采用两个层次上的信息作为对新样本的扰动，改善模型的可塑性和适应新类别的鲁棒性。在 PASCAL VOC 和 MS-COCO 的实证评估中取得了优秀的结果，展示了该方法和学习方式的良好性能。
发现论文，激发创造
  • 通过判别类原型学习的开放世界物体检测

    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

  • 重新审视开放世界物体检测

    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

  • 一种简单的知识蒸馏框架用于开放世界物体检测

    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

  • 半监督开放世界物体检测

    本研究提出了一种名为 SS-OWOD 的半监督开放世界检测方法，该方法通过减少注释成本，利用特征对齐和伪标签策略在遥感物体检测中取得了良好的效果。

    Feb, 2024

  • 在线深度学习：即时深度神经网络学习

    论文提出了一种在线深度学习框架，使用新提出的 Hedge Backpropagation 方法，实现了对来自稳态和概念漂移情况下的大规模数据集进行自适应深度的 DNN 模型学习。

    Nov, 2017

  • WSOD^2：学习自下而上和自上而下的目标重要性提取技术用于弱监督目标检测

    本文介绍一种新型的弱监督目标检测框架 WSOD^2，该框架通过联合考虑低层测量，CNN 置信度和自适应线性组合来确定多个回归目标，并通过区域提议学习来逼近回归目标，最终取得了最先进的结果。

    Sep, 2019

  • WeiPer：使用类别投影的权重扰动进行 OOD 检测

    通过引入最后全连接层的类别投影的扰动，我们展示了这个简单的技巧可以提高多种方法的离群值检测性能，并提出了一种基于距离的方法来利用增强的 WeiPer 空间的属性。在 OpenOOD 框架的多个基准测试中，我们实现了最先进的离群值检测结果，特别是在离群样本接近训练集分布的困难情况下。我们通过理论动机和实证观察支持我们的发现，并进行了广泛的消融实验，以提供关于为什么 WeiPer 起作用的见解。

    May, 2024

  • 开放世界中的半监督目标检测

    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

  • DSOD：从头开始学习深度监督目标检测器

    本研究提出了一种名为 DSOD 的新型深度监督目标检测器，通过设计一组原则以及采用密集的层内连接等手段使目标检测器可以从零开始训练，并在 PASCAL VOC 2007，2012 和 MS COCO 等数据集上完美取代了现有的模型。

    Aug, 2017

  • PCL: 弱监督目标检测的提议聚类学习

    本文提出了一种新颖的深度网络用于弱监督目标检测，通过生成提案聚类来学习精细的实例分类器，能够有效防止网络过度关注物体部分而不是整体，实验表明该方法明显优于现有技术。

    Jul, 2018