通过开放世界候选框扩展单阶段检测
计算机视觉与模式识别
2022-01-14 v2
摘要
在自动驾驶、手部操控或机器人导航等诸多应用中，目标检测方法必须能够检测训练集中未出现的物体。开放世界检测（OWD）旨在通过将被检测性能推广到已见和未见类别来解决此问题。近期工作在生成类不可知候选框（我们称之为开放世界候选框，OWP）方面取得了成功，但当检测模型中同时考虑两项任务时，这以分类任务的大幅退化为代价。这些工作利用目标性评分线索研究了两阶段区域候选网络（RPN）；然而，鉴于全卷积单阶段检测网络（如 FCOS）的简洁性、运行时间以及定位与分类的解耦，我们透过该视角研究 OWP。我们表明，对 FCOS 的架构和采样优化可将新颖类上的 OWP 召回率提升多达 6%，标志着首个无候选框的单阶段检测网络达到与基于 RPN 的两阶段网络相当的性能。此外，我们表明 FCOS 固有的解耦架构有利于保持分类性能。两阶段方法在新颖类召回率上下降 6%，而我们表明 FCOS 在联合优化 OWP 与分类时仅下降 2%。
引用
@article{arxiv.2201.02302,
title = {Extending One-Stage Detection with Open-World Proposals},
author = {Sachin Konan and Kevin J Liang and Li Yin},
journal= {arXiv preprint arXiv:2201.02302},
year = {2022}
}