共享外观线索的未见物体推理
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
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
开放环境识别(OWR)是一个新兴领域,使得机器学习模型能够拒绝未知样本,并进行管理,逐步将新样本添加到基础知识。本研究提出了一个评估协议,用于估计模型在内域未知类和外域未知类之间分离能力,通过传统迁移学习、自动化机器学习(AutoML)和最近类均值(NCM)分类器与 First Integer Neighbor Clustering Hierarchy(FINCH)相结合的方法,通过对垃圾、食品、狗、植物和鸟类等五个不同领域进行实验,结果表明所有方法都可以作为一个良好的准确性基线,并且预训练模型的平衡准确率(BACCU)得分有可能在一个或多个感兴趣领域中表现出色,同时强调了预训练模型中的有效表示对于识别相同领域的未知类很重要,进一步拓展了开放环境识别在领域特定任务中的应用前景。
Dec, 2023
本研究探索了通过视觉表征学习来评估对象信息如何被保留,例如它们的空间位置、视觉属性和相对关系,并介绍了一种用于评估视觉表征的协议,重点关注视觉推理的任务,比较了局部特征和面向对象的特征对于视觉推理的影响。
Dec, 2022
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
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
本研究介绍了一个挑战性的物体概念学习 (OCL) 任务,旨在推动物体理解的发展,要求机器推理出物体的可负担性和同时给出推理:什么属性使物体具有这些可负担能力,并建立了一个密集注释的知识库来支持 OCL。我们提出了一个基于因果干预和概念实例化的基线模型,名为 Object Concept Reasoning Network (OCRN),以有效推断物体知识,并指出 OCRN 在遵循因果关系时能够有效地推导出物体知识。
Dec, 2022
介绍了一种新的 Open World Object Detection 模型 ——Hyp-OW,它使用超类正则化器学习已知物品的层次表征,并通过相似度距离重新调整模块来有效检测未知物体,实验证明,该模型在已知和未知检测方面都具有很高的精度,特别是在已知和未知对象之间存在强层次结构的情况下。
Jun, 2023