- 面向开放集合相机三维物体检测
通过提出的 OS-Det3D 框架,利用特定训练的 3D 物体发现网络(ODN3D)和联合目标性选择(JOS)模块,提高相机 3D 检测器在鉴别已知和未知对象方面的能力,并在 nuScenes 和 KITTI 数据集上进行实验证明了该框架的 - CVPROoDIS:异常实例分割基准
自主车辆需要准确理解其环境以安全导航。通过识别未知物体,特别是那些在训练过程中不存在的野生动物,以防止严重事故的发生非常重要。虽然语义分割方法在异常物体的识别方面取得了重大进展,但全面理解场景动态需要分割单个物体,因此实例分割至关重要。然而 - 利用未知物体构建带有标签 - 无标签元关系用于零样本物体导航
本文介绍了一种零样本物体导航方法,通过引入没有标签的已知物体来丰富代理知识库,并通过标签方式的元关联模块、目标特征生成器、未标记对象识别器和元对象图学习模块等,改进了对象信息和计算对象关系的能力。实验结果在 AI2THOR 和 RoboTH - 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(O - 基于基础模型的开放世界目标检测
探索利用预训练的基础模型在开放世界目标检测中使用的相关定义,引入新的具有挑战性的基准并提出一种新的方法 FOMO,进一步扩展目标检测方法以适应真实世界领域。
- 基于深度形态先验的不确定性感知三维物体级建图
提出一个基于学习生成模型和概率不确定性优化框架的方法,用于在没有对象 CAD 模型的情况下进行高质量的未知对象的三维重建和定位,并且通过引入形状和姿态的不确定性,得到了能够准确反映对象地图错误的姿态和形状不确定性。
- Mask2Anomaly:面具变换器用于通用开放集分割
将传统的按像素分类的方法转变为基于掩码分类的方法,提出了 Mask2Anomaly 方法来解决异常分割、开放集语义分割和开放集全景分割问题,并引入了全局掩码注意力模块、掩码对比学习、掩码细化解决方案和基于掩码架构特性的未知实例挖掘。经过全面 - 无监督识别未知物体的开放世界物体检测
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 - ICCVSegPrompt: 通过类别级提示学习提升开放世界分割
通过使用类别信息,SegPrompt 机制改进了封闭集实例分割模型的类别不可知分割能力,同时提供了一个更贴近实际情景的新型开放世界基准,实验结果表明 SegPrompt 可以提高整体和未知类别的检测性能。
- CVPR开放世界物体检测的 LoCalization 和 IdentificAtion Cascade Detection Transformer
本文提出了一种名为 CAT 的 LoCalization and IdentificAtion Cascade Detection Transformer,并采用自适应的伪标签机制,使其能够提高开放世界目标检测、增量目标检测和开放集检测任务 - 辅助学习:通向人工通用智能的一步
本文主要介绍了一种名为 Auxiliary Learning 的机器学习方法,通过引入一个辅助类别来增加神经网络的通用性,同时强调了处理未知物体的必要性,并以猫狗二分类器为例进行阐述。
- CVPR未知因素感知的目标检测:从野外视频中学习未知知识
通过 Spatial-Temporal Unknown Distillation (STUD) 建立一个新的探测未知目标的目标检测框架,从野外视频中提取未知物体并在所提出的方法中加以利用,以让模型对未知数据表现更加自信并得到更好的鲁棒性。
- ICLR语义拓扑中的对象
本研究提供一个统一的视角:语义拓扑,该限制为开放式对象检测器建立了具有辨别特征表示和一致关系的物体分类,使其能够区分已知和未知对象,并且在增量学习时保持已知对象特征的准确性。实验证明,语义拓扑可以显著超过当前最先进的开放式对象检测器,在绝对 - CVPR自动驾驶视频类别无关分割基准测评
该研究论文讨论了在自动驾驶里面实现视频类别不可知的图像语义分割,通过对比开放集关系与运动分割问题来解决未知目标语义分类的问题,并对基于外观、几何学习和对比损失等基础方法进行测评,提出了公共数据集和榜单,并公布了相应的模型。
- 4D 通用视频物体提议
该研究提出了一种基于 4D Generic Video Tubes(4D-GVT)的方法,它利用运动线索、立体数据和目标实例分割可靠地提取已知和未知目标类型的时空对象建议,在未知类别的情况下,它表现出比其他方法更好的性能。
- 通过 Push 提议网络学习物体分离
使用基于神经网络的方法从具有随机布局的桌面场景采集的数据中训练模型,通过选择合适的推动动作来将未知物体从杂乱的环境中分离,实现机器人在无序环境下执行任务的高成功率和低推动次数。
- 无味道贝叶斯优化用于机器人安全抓取
本文提出一种机器人夹取优化的算法 —— 基于无人机探测的 Bayesian 优化算法,该算法能快速通过规划夹具参数的安全区域,有效地减少了夹取过程中的失败率。