去偏 novel 类别发现与定位
计算机视觉与模式识别
2024-03-01 v1
摘要
近年来，深度学习中的目标检测经历了快速发展。然而，大多数现有目标检测模型仅在封闭数据集上表现良好，忽略了训练集中未定义类别的大量潜在目标。这些目标通常被识别为背景，或被错误地分类为预定义的类别。本文聚焦于 Novel Class Discovery and Localization (NCDL) 这一具有挑战性的问题，旨在训练能够在训练数据中检测预定义类别的检测器，同时主动发现、定位和聚类新类别。我们分析了现有的NCDL方法，确定了核心问题：目标检测器倾向于偏向已知目标，导致忽视未知目标。为此，我们首先提出一种 Debiased Region Mining (DRM) 方法，通过结合类无关区域提议网络 (RPN) 和类相关 RPN 实现互补。此外，我们建议通过半监督对比学习来利用无标签数据改进表示网络。最后，我们采用一种简单且高效的 mini-batch K-均值聚类方法进行新类别发现。我们在 NCDL 基准上进行了广泛实验，结果表明，所提出的 DRM 方法显著优于先前方法，建立了新的最先进技术。
引用
@article{arxiv.2402.18821,
title = {Debiased Novel Category Discovering and Localization},
author = {Juexiao Feng and Yuhong Yang and Yanchun Xie and Yaqian Li and Yandong Guo and Yuchen Guo and Yuwei He and Liuyu Xiang and Guiguang Ding},
journal= {arXiv preprint arXiv:2402.18821},
year = {2024}
}
备注
Accepted by AAAI 2024