Apr, 2024

OSR-ViT：开放式目标检测与发现的简洁模块化框架

HTML
PDF
TL;DR对于开放世界的部署，目标检测器检测和标记新对象的能力对很多实际应用非常关键。本研究提出了一种名为Open-Set Object Detection and Discovery (OSODD)的新任务，并且提出了一种称为Open-Set Regions with ViT features (OSR-ViT)的检测框架作为解决方案，该框架将无类别假设的倡议网络与强大的ViT-based分类器相结合。我们的评估结果表明，OSR-ViT在性能上远超过现有的有监督方法，并且在低数据场景中表现出色，即使使用少量的训练数据也能优于有监督基线模型。
发现论文，激发创造
  • 开放式识别：一个良好的封闭式分类器是否就足够了？

    研究了开放集识别中识别出训练集中语义类别之外的样本与对封闭集类别的准确性有着密切的关联，并通过提高对封闭集类别的准确度来改善基线和现有方法的性能，并提出了一种更好的用于检测语义新颖性的基准数据集。

    Oct, 2021

  • OW-DETR：开放世界检测变换器

    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

  • 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

  • 使用具有额外检测头的视觉转换器进行开放集识别

    本研究提出了一种基于ViT技术解决开放集识别问题的新方法，通过集群标识测试示例是否属于已知类别，实现模型性能的提升。在多个开放集基准数据集上的广泛评估表明，该方法显著优于其他基线方法并取得了新的最佳性能。

    Mar, 2022

  • 扩展低密度潜在区域以进行开放式物体检测

    提出了一种基于对潜在空间中低密度区域的分离，通过OpenDet具有扩展的低密度区域来识别未知物体的方法，此方法包括一个对已知类别进行对比特征学习的CFL及一个基于预测的不确定性优化未知概率的UPL，实验证明此方法可以显著提高OSOD性能。

    Mar, 2022

  • 面向开放集合目标检测与发现

    本文提出了OSODD任务，使用开放式对象检测器识别未知对象的同时，基于其视觉外观无需人力，进一步发现未知对象的类别。我们提出了使用开放式对象检测器预测已知和未知对象的两阶段方法，然后以无监督的方式研究预测对象的表示，并从未知对象集合中发现新类别。在完整的评估协议下展示了我们模型在MS-COCO数据集上的性能。这项工作将促进更加强健的实际检测系统的研究。

    Apr, 2022

  • 少样本检测一切

    本文介绍了DE-ViT，这是一个使用纯视觉DINOv2骨干网络的开放集对象检测器，通过示例图像而不是语言来学习新的类别。为了提高检测能力，我们将多类别分类任务转换为二分类任务，并提出了一种新的区域传播技术来进行定位。在COCO和LVIS的开放词汇、少样本和一次样本对象检测基准测试中，DE-ViT的性能超过了SoTA。

    Sep, 2023

  • 基于Wasserstein距离的稀疏潜在区域扩展检测未知类别

    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。

    Jan, 2024

  • 开放世界物体检测：综述

    本研究聚焦于开放世界物体检测（OWOD），解决了当前物体检测领域在识别和学习初始训练集之外的新对象时的不足。通过对问题定义、基准数据集、评估指标等关键方面的全面回顾，本文展示了OWOD的潜在价值，并指出了现有算法的局限性与未来研究方向。该综述为OWOD领域奠定了基础，具有重要的学术与实际意义。

    Oct, 2024

  • 开放集对象检测：朝着统一的问题表述和基准测试

    本文解决了在真实应用中自信度至关重要的开放集对象检测问题，指出了目前方法在数据集、评价指标和场景上的不一致性以及对未知对象定义的缺乏。本文提出了两个新的基准：统一的VOC-COCO评估和新的OpenImagesRoad基准，并通过OW-DETR++改进了基于伪标签的开放集对象检测，确保了一致的评估标准，并得出有关OSOD策略有效性的新的结论。

    Nov, 2024