扩展低密度隐空间区域以用于开放集目标检测
计算机视觉与模式识别
2022-05-10 v2
摘要
现代目标检测器在闭集设定下已取得令人瞩目的进展。然而，开放集目标检测（OSOD）仍具挑战性，因为未知类别的物体常被误分类为已知类别。本文中，我们基于“未知物体通常分布于低密度隐空间区域”这一共识，提出通过分离隐空间中的高/低密度区域来识别未知物体。由于传统基于阈值的方法仅维持有限的低密度区域，无法覆盖所有未知物体，我们提出了一种具有扩展低密度区域的新型开放集检测器（OpenDet）。为此，我们为 OpenDet 配备两个学习器：对比特征学习器（CFL）与未知概率学习器（UPL）。CFL 执行实例级对比学习以促使已知类别特征紧凑，为未知类别留出更多低密度区域；UPL 基于预测的不确定性优化未知概率，进一步在已知类别簇周围划分出更多低密度区域。因此，低密度区域中的未知物体可借助学到的未知概率轻松识别。大量实验表明，我们的方法能显著提升 OSOD 性能，例如在六个 OSOD 基准上，OpenDet 将绝对开放集误差降低了 25%–35%。代码见：https://github.com/csuhan/opendet2。
引用
@article{arxiv.2203.14911,
title = {Expanding Low-Density Latent Regions for Open-Set Object Detection},
author = {Jiaming Han and Yuqiang Ren and Jian Ding and Xingjia Pan and Ke Yan and Gui-Song Xia},
journal= {arXiv preprint arXiv:2203.14911},
year = {2022}
}
备注
Accepted by CVPR2022