应对开放世界目标检测的挑战
计算机视觉与模式识别
2023-03-28 v1
摘要
我们解决了开放世界目标检测（OWOD）这一具有挑战性的问题，其中目标检测器必须识别来自已知类别的对象，同时也要识别并持续学习检测新颖对象。先前的工作所产生的检测器检测新颖对象的能力相对较低，且将新颖对象分类为已知类别之一的可能性较高。我们通过识别 OWOD 所呈现的三个主要挑战来处理该问题，并引入 OW-RCNN，一种应对这三个挑战中每一个的开放世界目标检测器。OW-RCNN 在 MS-COCO 上使用开放世界评估协议确立了新的最先进水平，显示出大幅增强的检测新颖对象能力（U-Recall 绝对提升 16–21%）、避免将其误分类为已知类别之一（A-OSE 降低达 52%），以及增量学习检测它们同时在已已知类别上保持性能（mAP 绝对提升 1–6%）。
引用
@article{arxiv.2303.14930,
title = {Addressing the Challenges of Open-World Object Detection},
author = {David Pershouse and Feras Dayoub and Dimity Miller and Niko Sünderhauf},
journal= {arXiv preprint arXiv:2303.14930},
year = {2023}
}