目标检测中的未知物体检测
计算机视觉与模式识别
2022-08-25 v1
摘要
近年来，由于新型神经网络架构的设计和大规模数据集的可用，目标检测方法取得了令人瞩目的改进。然而，当前方法存在一个显著局限：它们只能检测训练时观察到的类别，而这些类别仅是检测器在现实世界中可能遇到的所有类别的一个子集。此外，未知类别在训练时往往未被考虑，导致方法甚至无法检测出图像中存在未知物体。在本工作中，我们解决检测未知物体的问题，即开放集目标检测（open-set object detection）。我们提出一种称为 UNKAD 的新型训练策略，能够预测未知物体而无需对其作任何标注，利用训练图像背景中已存在的未标注物体。具体而言，UNKAD 利用 Faster R-CNN 的四步训练策略，首先识别并伪标注未知物体，然后使用伪标注训练一个额外的未知类。虽然 UNKAD 可直接检测未知物体，我们进一步将其与先前的未知检测技术结合，表明其以零成本提升了它们的性能。
引用
@article{arxiv.2208.11641,
title = {Detecting the unknown in Object Detection},
author = {Dario Fontanel and Matteo Tarantino and Fabio Cermelli and Barbara Caputo},
journal= {arXiv preprint arXiv:2208.11641},
year = {2022}
}